Tausta
Teollisuuden varhaisen vaiheen suunnittelu käsittelee yhä monimutkaisempia järjestelmiä, joissa yhdistyvät ohjelmistot, laitteistot, robotiikka, kyberfyysiset komponentit ja kyberturvallisuusvaatimukset. Näissä suunnitteluvaiheissa ongelmat ovat usein huonosti määriteltyjä, ja niiden ratkaiseminen edellyttää tekstimuotoisten vaatimusten, toiminnallisten kuvausten, numeerisen datan sekä monimuotoisen teknisen tiedon yhteistä tulkintaa.
Järjestelmien kasvavasta monimutkaisuudesta huolimatta mallien generointi, päättely ja suunnitteluvirheiden tunnistaminen perustuvat edelleen vahvasti asiantuntijoiden osaamiseen ja manuaaliseen analyysiin. Tämä lisää riskiä siitä, että virheet havaitaan vasta myöhäisessä vaiheessa, mikä voi johtaa kalliisiin uudelleensuunnitteluihin, ohjelmistohaavoittuvuuksiin ja järjestelmien epävarmaan toimintaan.
REINFORCE-hanke vastaa tähän haasteeseen kehittämällä uudenlaisen neurosymbolisen tekoälykehyksen automaattista mallien generointia ja teollisten suunnitteluvirheiden varhaista havaitsemista varten. Hanke hyödyntää suunnattuja värillisiä graafeja järjestelmän arkkitehtuurin, käyttäytymisen ja vuorovaikutusten kuvaamiseen, mikä mahdollistaa laskennallisen päättelyn monimutkaisissa suunnitteluongelmissa.
REINFORCE perustuu pitkäjänteiseen tutkimukseen laadullisen päättelyn alalla sekä Tampereen yliopistossa kehitettyyn DACM-malliin. Tätä perustaa täydennetään Helsingin yliopiston tekoälyosaamisella ja Jyväskylän yliopiston kyberturvallisuusosaamisella. Lähestymistapa yhdistää graafipohjaisen ongelmanmuotoilun, teoriapohjaiset neuroverkot sekä TRIZ-menetelmän keksinnöllisiin periaatteisiin pohjautuvat keinot epäjohdonmukaisuuksien ratkaisemiseksi.
Tavoite ja päätavoitteet
Hankkeen tavoitteena on edistää varhaisen vaiheen teollista suunnittelua kohti automatisoitua, selitettävää ja vikaturvallista mallien generointia.
Hankkeella on kaksi päätavoitetta:
- Kehittää automaattinen mallien generointikehys, joka perustuu suunnattuihin värillisiin graafeihin ja teoriapohjaisiin neuroverkkoihin sekä mahdollistaa simuloinnin, järjestelmien seurannan, hypoteesien testaamisen, järjestelmäohjauksen ja suunnittelun optimoinnin.
- Tukea suunnitteluvirheiden, haavoittuvuuksien ja epäjohdonmukaisuuksien varhaista havaitsemista ja korjaamista monimutkaisissa teollisissa järjestelmissä. Sovellusalueita ovat muun muassa kyberfyysisten järjestelmien suunnittelu, robottien ohjaus, selitettävä koneoppiminen ja kyberturvallisuus suunnittelun lähtökohtana.
Toteutus
REINFORCE-hankkeessa kehitetään laskennallinen avustaja kehittäjien, suunnittelijoiden, insinöörien ja päätöksentekijöiden tueksi. Tämä avustaja jäsentää ja analysoi monimutkaisia suunnitteluongelmia, tuottaa formaaleja malleja varhaisen vaiheen suunnittelutiedosta ja tukee päätöksentekoa ennen kuin kalliit toteutusratkaisut lukitaan.
Hanke yhdistää laadullisen päättelyn, dimensioanalyysin, graafipohjaiset esitystavat ja neurosymboliset tekoälymenetelmät. Näiden menetelmien avulla tunnistetaan automaattisesti järjestelmämuuttujien välisiä suhteita, havaitaan epäjohdonmukaisuuksia ja ehdotetaan kestävämpiä suunnitteluratkaisuja.
Kehystä sovelletaan useilla teollisesti merkittävillä alueilla, kuten selitettävissä ja niukoissa koneoppimismalleissa, kyberfyysisissä järjestelmissä, robottijärjestelmien ohjauksessa sekä varhaisen vaiheen kyberturvallisuusarvioinnissa. Käsittelemällä kriittisiä ongelmia jo suunnitteluprosessin alkuvaiheessa REINFORCE pyrkii parantamaan tulevien teollisten sovellusten laatua, luotettavuutta, turvallisuutta ja kyberturvallisuutta.