AI技术可以快速跟踪引擎，对所有类型产品可进行设计和仿真。

计算机仿真是产品设计优化过程中的关键部分，使工程师可以测试各种配置并在众多不同的选择中选择最佳的设计。但是，即使在像美国能源部（DOE）的阿贡国家实验室这样的设施中，拥有最先进的资源，模拟过程也可能花费昂贵的成本且运行时间很长。

为了加快这一设计过程，Argonne能源系统（ES）部门的研究团队最近开发了一种称为ActivO的新设计优化工具。新工具可以大大减少找到最佳设计所需的时间。

它采用了一种新颖的机器学习技术，可以帮助用户专注于如何最有效地定位计算资源。（机器学习是人工智能的一种应用，它允许系统自动学习并从经验中进行改进。）

“ActivO以非常智能的方式运行仿真，并迅速确定了我们应关注的设计空间部分，” Pal解释道。以前需要两到三个月完成优化设计的方法，现在可以在一周之内完成。

在美国机械工程师学会（ASME）发表的文章中，ActivO方法已成功证明可用于优化内燃机（Owoyele和Pal感兴趣的一个活跃领域 ），作为其2019年秋季国际燃烧发动机分部技术会议的一部分。该文章不久还将出现在 ASME 能源技术杂志上。

根据Pal论文的主要作者Owoyele的说法，ActivO是一种混合算法，它利用两种不同的机器学习替代模型的优势来获得卓越的性能。

“机器学习模型旨在协同工作。其中一种模型允许我们自适应地探索设计空间，而不是进行随机采样的模拟，这实际上将我们引向了最可能包含全局最优值的区域。另一个模型将在另一些区域中进行搜索，进行本地搜索以识别全局最优值的区域。”

此方法利用机器学习代理人以“探索”和“利用”比在行业中使用，如遗传算法传统的进化技术带来更平衡和高效的方式设计空间。

Pal补充说，ActivO可以在小批量仿真中运行，因此对于工业用户而言特别有价值，因为ActivO通常没有足够的计算能力来运行大型仿真。

尽管Owoyele和Pal都在申请此技术专利，但他们表示ActivO已准备就绪。到目前为止，他们的工作主要集中在汽车发动机上，但他们也看到了其他有用的应用程序。

Owoyele说：“ ActivO非常适合探索汽车和航空航天工业中内燃机的设计空间。但它也可用于设计优化一些通用产品。工业界很容易采用它来改善他们的设计工作流程，这将大大降低产品设计成本。在这方面有大量的商业化机会。”

在帮助降低行业的设计成本方面，还有一个更重要的长期利益，降低这些发动机对环境的影响。因此，这就是我们想要设计更好，更具创新性的引擎的原因。

两位研究人员均指出，Argonne拥有庞大的高性能计算设施，该设施验证了ActivO优化器核心的算法。“我们在阿贡国家实验室的计算资源，使我们能够做到这一点”，帕尔说。