Phần 2: “Sự kết hợp giữa CAE và AI” tỷ lệ kèo cá cược và đặc điểm giữa CAE và AI

1 Giới thiệu

tỷ lệ kèo cá cược giữa CAE (Kỹ thuật hỗ trợ máy tính) và AI (bài viết này đề cập đến học máy) là gì? Vì cả hai đều sử dụng máy tính nên chúng ta có xu hướng nghĩ rằng cả hai công nghệ đều hoạt động theo cách tương tự nhau và chúng cung cấp giải pháp một cách thông minh cho những hướng dẫn mà chúng ta đưa ra dựa trên các phép tính phức tạp bên trong máy tính Tuy nhiên, trên thực tế, cách tiếp cận tìm ra giải pháp của họ hoàn toàn trái ngược nhau Vì các cách tiếp cận trái ngược nhau nên ngay cả khi kết quả thu được tương tự nhau thì đặc điểm và tính chất của chúng cũng khác nhau Trong ứng dụng thực tế, việc hiểu rõ những khác biệt này sẽ giúp bạn giải quyết vấn đề một cách thực chất, hiệu quả và hiệu quả hơn

Trong cột này, cột thứ hai trong loạt bài, chúng tôi sẽ xem xét tỷ lệ kèo cá cược giữa CAE và AI về các phương pháp tiếp cận để đạt được giải pháp, sau đó xem xét sự kết hợp của cả hai và những lợi thế của nó

2 tỷ lệ kèo cá cược giữa phương pháp tiếp cận CAE và AI

Hình 1 cho thấy tỷ lệ kèo cá cược giữa các phương pháp tiếp cận của khoa học tính toán (CAE) và khoa học dữ liệu (học máy) bằng cách sử dụng phân tích sự tăng trưởng tinh thể silicon cho chất bán dẫn làm ví dụ Trong tinh thể silicon dùng làm chất bán dẫn, việc kiểm soát nồng độ tạp chất oxy, yếu tố ảnh hưởng đến độ bền và tính chất của tấm bán dẫn, là vô cùng quan trọng Pha lê được phát triển bằng phương pháp gọi là phương pháp Czochralski (CZ) Trong phương pháp này, silicon đơn tinh thể được tạo ra bằng cách kéo từ từ tinh thể ra khỏi silicon tan chảy được hình thành trong nồi nấu kim loại Trong quá trình này, oxy hòa tan từ nồi nấu kim loại thạch anh được vận chuyển trong khối nóng chảy và kết hợp vào tinh thể dưới dạng tạp chất Quá trình này bị ảnh hưởng mạnh mẽ bởi dòng chảy của chất tan chảy và khí xung quanh, vì vậy chúng tôi mô phỏng môi trường phát triển tinh thể bằng cách sử dụng mô phỏng chất lỏng nhiệt và dự đoán kết quả của các thí nghiệm phát triển tinh thể trong các điều kiện tăng trưởng nhất định (ví dụ: sự phân bố nồng độ tạp chất oxy dọc theo chiều dài của tinh thể)

Trong CAE (mô phỏng chất lỏng nhiệt) này, các phương trình Navier-Stokes mô tả dòng chất lỏng và chất khí là các phương trình cơ bản và trạng thái dòng chảy trong các điều kiện nhất định được xác định bằng cách giải các phương trình bằng cách sử dụng các kỹ thuật như phương pháp thể tích hữu hạn Hơn nữa, sự vận chuyển oxy được tính toán từ các điều kiện dòng chảy xác định và nồng độ tạp chất oxy trong tinh thể được tính toán bằng mô hình phản ứng hấp thụ tinh thể Chuỗi bước này bắt đầu với các định luật vật lý chi phối và các điều kiện phát triển đã cho nên có thể gọi là phương pháp "suy diễn"

Mặt khác, các phương pháp tiếp cận khoa học dữ liệu bắt đầu bằng dữ liệu Trong các nghiên cứu điển hình của các tác giả [1, 2], họ đã thu thập hàng trăm dữ liệu đánh giá và tăng trưởng phôi silicon thực tế và tạo ra một mô hình học máy liên kết các điều kiện tăng trưởng với nồng độ tạp chất oxy Bằng cách sử dụng mô hình này, có thể dự đoán kết quả trong các điều kiện tăng trưởng nhất định (ví dụ: sự phân bố nồng độ tạp chất oxy dọc theo chiều dài của tinh thể) Điều cuối cùng chúng tôi muốn dự đoán cũng giống như CAE, nhưng cách tiếp cận thì khác Khoa học dữ liệu có thể được mô tả như một cách tiếp cận "quy nạp" bắt đầu bằng dữ liệu từ kết quả thử nghiệm

Như bạn có thể thấy từ sơ đồ, các phương pháp tiếp cận khoa học dữ liệu không sử dụng các định luật vật lý nên đôi khi chúng được cho là không có cơ sở vật lý Tuy nhiên, ví dụ, trong kết quả của các tác giả [2], xu hướng nồng độ tạp chất oxy được dự đoán bởi các mô hình học máy phù hợp với các cơ chế vận chuyển và hấp thụ oxy nổi tiếng cũng như kết quả mô phỏng Nói cách khác, bạn có thể coi mô hình học máy như việc thu thập kiến ​​thức vật lý Hơn nữa, gần đây, các phương pháp tiếp cận dựa trên dữ liệu đơn giản đã mở rộng sang nhiều phương pháp khác nhau kết hợp vật lý, chẳng hạn như trực quan hóa kiến ​​thức thu được bằng AI có thể giải thích và đào tạo các mô hình học máy sử dụng các định luật vật lý đã biết làm ràng buộc

3Sự kết hợp giữa tỷ lệ kèo cá cược và AI

Bây giờ, từ đây, mọi chuyện càng trở nên phức tạp hơn Phương pháp tiếp cận khoa học dữ liệu được hiển thị trong Hình 1 bắt đầu với dữ liệu đánh giá và phát triển tinh thể thực tế Bây giờ, như trong Hình 2, điều gì sẽ xảy ra nếu bạn thay thế dữ liệu ban đầu bằng nhiều kết quả tỷ lệ kèo cá cược được tính toán bằng cách thay đổi các điều kiện tăng trưởng? Bằng cách sử dụng dữ liệu huấn luyện này, có thể tạo ra mô hình học máy dự đoán kết quả trong các điều kiện tăng trưởng nhất định (ví dụ: sự phân bố nồng độ tạp chất oxy theo hướng chiều dài tinh thể), như trong trường hợp của Hình 1 Mô hình dự đoán này dự đoán kết quả tỷ lệ kèo cá cược hơn là kết quả thử nghiệm thực tế Nói cách khác, nó có thể được gọi là mô hình thay thế cho tỷ lệ kèo cá cược Lợi ích của việc tạo ra một mô hình học máy như thế này là gì?

Tính toán tỷ lệ kèo cá cược mất chút thời gian Mặc dù nhìn chung có thể thu được kết quả trong thời gian ngắn hơn so với thử nghiệm thực tế, nhưng các phép tính càng chi tiết có tính đến các hiện tượng phức tạp thì thời gian tính toán sẽ càng lâu Mặt khác, học máy cần thời gian để tạo dữ liệu, nhưng một khi mô hình dự đoán được tạo ra, một dự đoán duy nhất có thể được thực hiện trong thời gian rất ngắn Do đó, nó rất hữu ích khi tạo bản đồ đầy đủ dựa trên số lượng lớn dự đoán và tối ưu hóa điều kiện yêu cầu tính toán lặp đi lặp lại Ngoài ra, việc tạo dữ liệu này bao gồm việc thực hiện tỷ lệ kèo cá cược với các điều kiện được đặt trong phạm vi xác định, do đó nó có thể được song song hóa Nói cách khác, nếu bạn song song một lượng lớn bằng máy chủ đám mây, vv, bạn có thể hoàn tất quy trình trong thời gian ngắn Trong tương lai khi môi trường đám mây sẽ phát triển hơn, việc tạo ra lượng lớn dữ liệu đào tạo bằng tỷ lệ kèo cá cược có thể không còn là gánh nặng về mặt thời gian nữa

Hình 2

4Cuối cùng

Cuối cùng, chúng ta hãy xem nên gọi cách tiếp cận sử dụng kết quả tỷ lệ kèo cá cược làm dữ liệu huấn luyện, như trong Hình 2 Cách tiếp cận tỷ lệ kèo cá cược được hiển thị trong Hình 1(a) đôi khi được gọi là hướng theo vật lý và cách tiếp cận khoa học dữ liệu được hiển thị trong Hình 1(b) đôi khi được gọi là hướng theo dữ liệu Vì vậy, chúng ta nên áp dụng cách tiếp cận nào trong Hình 2(c)?

Hiện tại, cả hai tên đều được sử dụng tùy thuộc vào khía cạnh bạn muốn nhấn mạnh Trên thực tế, tác giả đã thấy cả hai cái tên này được sử dụng tại các hội nghị học thuật Như thường thấy trong các lĩnh vực ứng dụng, trường hợp này cũng là một ví dụ về cách cùng một khái niệm hoặc phương pháp có thể được diễn đạt bằng các thuật ngữ khác nhau tùy thuộc vào cách nó được nhìn nhận Điều quan trọng là phải suy nghĩ về bản chất mà không bị nhầm lẫn bởi những từ ngữ hời hợt

Trong cột này, cột thứ hai trong loạt bài này, ba loại phương pháp tiếp cận đã được giới thiệu: phương pháp tiếp cận tỷ lệ kèo cá cược, phương pháp tiếp cận học máy và phương pháp kết hợp tỷ lệ kèo cá cược và học máy Điều quan trọng là sử dụng những cách tiếp cận này tùy theo những thách thức, điều kiện và mục tiêu mà bạn đang gặp phải, thay vì quyết định xem cách tiếp cận nào tốt hơn Trong cột tiếp theo và cột thứ ba, tôi muốn xem xét đặc điểm của các phương pháp này trong bối cảnh tối ưu hóa

Nội dung của chuyên mục này đã được viết lại dựa trên một phần cuốn sách của tôi ``Đào tạo kỹ năng phát triển AI của bạn! Khóa học về giải quyết vấn đề bằng cách sử dụng máy học và tối ưu hóa'' (Shoeisha, 2025) Xin vui lòng xem cùng một cuốn sách để biết chi tiết

[1] K Kutsukake, Y Nagai, T Horikawa và H Banba, Appl Vật lý Tốc hành 13 (2020) 125502
[2] K Kutsukake, Y Nagai, T Horikawa và H Banba, Tạp chí Tăng trưởng Tinh thể 584 (2022) 126580