L'IA avec l'approche Model-Based Design

L'IA avec l'approche Model-Based Design Appliquer des techniques d'intelligence artificielle (IA) au design de systèmes d’ingénierie

« Bien que nous ne soyons pas des spécialistes du Deep Learning, en utilisant MATLAB et Deep Learning Toolbox, nous avons pu créer et entraîner un réseau qui prédit les émissions de NOX avec une précision de près de 90 %. »

Modélisation de capteurs virtuels

Identification de systèmes et
modélisation d'ordre réduit (ROM)

Reinforcement Learning

Obtenir une version d'essai gratuite

Modélisation de capteurs virtuels

Estimez les signaux d'intérêt qu'un capteur physique ne peut pas mesurer directement, ou lorsqu'un capteur physique augmente trop le coût et la complexité d’un design.

Créez et comparez des modèles de capteurs virtuels en utilisant différentes architectures de Deep Learning et de Machine Learning telles que les couches entièrement connectées, les couches LSTM (Long Short-Term Memory) et les machines à vecteurs de support (SVM).
Importez des modèles d'IA créés dans TensorFlow™ ou PyTorch^® pour la simulation et le déploiement avec Simulink.
Intégrez, simulez et testez des capteurs virtuels basés sur l'IA avec le reste du système.
Compressez des modèles de capteurs virtuels basés sur l'IA et déployez-les sur des microcontrôleurs et des ECU grâce à la génération de code C sans bibliothèque.
Adaptez des modèles de capteurs virtuels pour traiter les données en temps réel grâce à l'apprentissage incrémental.

Témoignages de clients et études de cas

Vidéos

Exemples

Identification de systèmes et modélisation d'ordre réduit (ROM)

Créez des modèles de systèmes dynamiques non linéaires basés sur l'IA en utilisant des données mesurées ou générées.

Créez des modèles dynamiques basés sur l'IA à partir de données mesurées avec l'application System Identification.
Améliorez la qualité d'un modèle en combinant des connaissances sur la physique du système avec des techniques d'IA utilisant l'identification de modèles non linéaires, telles que l'espace d'état neuronal, l'ARX non linéaire, et d'autres architectures de modèles.
Réutilisez des modèles FEM, FEA et CFD tiers pour le design de systèmes de contrôle et le développement de systèmes dans Simulink en créant des modèles d'ordre réduit basés sur l’IA.
Utilisez l'application Reduced Order Modeler pour mettre en place des plans d'expériences (DoE), générer des données d'apprentissage et exploiter des modèles préconfigurés pour entraîner et évaluer des modèles d'IA appropriés.
Importez le modèle réduit dans Simulink pour effectuer des simulations desktop et des tests Hardware-in-the-Loop, ou exportez des modèles d'ordre réduit pour les utiliser en dehors de Simulink via des FMU (Functional Mock-Up Units).

Témoignages de clients et études de cas

Vidéos

Exemples

Modèles d'ordre réduit (ROM)

Reinforcement Learning

Entraînez des agents intelligents grâce à des interactions par tâtonnements répétées avec des environnements dynamiques modélisés dans Simulink.

Sélectionnez des algorithmes prêts à l'emploi et intégrez-les dans Simulink avec le bloc RL Agent pour l’apprentissage.
Utilisez Reinforcement Learning Designer pour concevoir, entraîner et simuler des agents de manière interactive.
Exécutez des tests au niveau système et déployez des agents entraînés sur des dispositifs embarqués.

Témoignages de clients et études de cas

Vidéos

Exemples

Robot marcheur humanoïde

Pourquoi utiliser MATLAB et Simulink pour concevoir l'IA des systèmes d'ingénierie ?

Intégrer et simuler des modèles d'IA
avec le reste du système

Intégrez des modèles d'IA directement dans votre modèle de niveau système pour les simulations.
Simulez le comportement du système en exécutant des algorithmes d'IA avec d'autres composants du système, notamment les systèmes physiques, les modèles d'environnement, les algorithmes de contrôle en boucle fermée ou la logique de supervision.

En savoir plus

Blocs de Deep Learning, blocs de Machine Learning, blocs de Reinforcement Learning et blocs d'identification de modèles non linéaires dans Simulink
Intégration de l'IA dans le design au niveau système — E-book

Assurer la sécurité et la fiabilité de
systèmes opérationnels utilisant l'IA

Combinez les tests basés sur les simulations et les techniques formelles de vérification pour les réseaux de neurones.
Assurez l'équivalence du comportement grâce à des tests comparatifs.
Préservez la traçabilité entre les exigences, le design et les tests.

En savoir plus

Générer du code à partir de modèles d'IA
pour cibler différents types de hardware

Générez et déployez du code C/C++, CUDA^® et HDL à partir de modèles de Deep Learning ou de Machine Learning qui s'exécutent sur du hardware cible supporté.

En savoir plus

Gérer les compromis de déploiement
de l'IA embarquée

Evaluez la taille, la vitesse et la précision du modèle pendant la simulation et dans le code.
Comparez les différences de performance entre différents modèles d'IA, ainsi qu'entre les modèles avec ou sans IA.
Évaluez l'impact de la compression de modèle.
Exploitez les résultats de l'analyse pour sélectionner de façon éclairée un modèle, prendre des décisions en matière de design et affiner le comportement du modèle.

En savoir plus