API جامع
بهینه‌سازی از طریق هوش مصنوعی مزایای فراوانی برای مهندسان مکانیک به همراه دارد؛ از طراحی‌ها و شبیه‌سازی‌های سریع‌تر و دقیق‌تر گرفته تا بهبود بهره‌وری، کاهش هزینه‌های توسعه با استفاده از خودکارسازی فرایندها و ارتقاء نگهداری پیش‌بینانه و کنترل کیفیت.
دکتر فائض احمد، استاد مهندسی مکانیک در MIT و رئیس کرسی Doherty در زمینه استفاده از منابع اقیانوسی، می‌گوید: «وقتی مردم به مهندسی مکانیک فکر می‌کنند، ابزارهای ساده مکانیکی، خودروها، ربات‌ها یا جرثقیل‌ها به ذهنشان می‌رسد؛ اما این حوزه بسیار گسترده‌تر از آن چیزی‌ست که عموم تصور می‌کنند. در حال حاضر، یادگیری ماشین، هوش مصنوعی و بهینه‌سازی نقش کلیدی در مهندسی مکانیک دارند.»
در دوره‌ای که احمد با عنوان یادگیری ماشین و هوش مصنوعی در طراحی مهندسی ارائه می‌دهد، دانشجویان با استفاده از ابزارها و تکنیک‌های هوش مصنوعی و یادگیری ماشین، به طراحی مهندسی مکانیک می‌پردازند. محور اصلی این دوره خلق محصولات جدید و حل چالش‌های طراحی مهندسی است.
Lyle Regenwetter، دستیار آموزشی این دوره و دانشجوی دکترای آزمایشگاه طراحی محاسباتی و مهندسی دیجیتال (DeCoDE) دکتر احمد، بیان می‌کند: «مهندسان مکانیک دلایل بسیاری دارند تا از هوش مصنوعی و یادگیری ماشین برای تسریع روند طراحی استفاده کنند.» هدف تحقیقات DeCoDE، توسعه روش‌های نوین در یادگیری ماشین و بهینه‌سازی برای پرداختن به مسائل پیچیده در طراحی‌های مهندسی است.
این دوره از سال ۲۰۲۱ راه‌اندازی شده و به‌سرعت جایگاه خود را به‌عنوان یکی از محبوب‌ترین دوره‌های انتخابی در دانشکده مهندسی مکانیک (MechE) MIT تثبیت کرده است. دانشجویان رشته‌های مختلف از جمله مهندسی مکانیک، عمران و محیط‌زیست، هوافضا، مدیریت (MIT Sloan)، مهندسی هسته‌ای و علوم کامپیوتر، و حتی دانشگاه‌هایی چون هاروارد، در این کلاس شرکت می‌کنند.
این دوره که برای دانشجویان مقطع کارشناسی و کارشناسی ارشد ارائه شده، به آموزش استراتژی‌های پیشرفته در یادگیری ماشین و بهینه‌سازی، در بستر مسائل واقعی طراحی مهندسی مکانیک می‌پردازد. از طراحی قاب دوچرخه تا طراحی شبکه شهری، دانشجویان با مسائل عملی در سیستم‌های فیزیکی مواجه می‌شوند و در سطحی رقابتی چالش‌های مربوط به بهینه‌سازی را حل می‌کنند.
ایلان مویر، دانشجوی تحصیلات تکمیلی، می‌گوید: «ابتدای کار، کدی در اختیار ما می‌گذاشتند که صرفاً یک راه‌حل داشت، اما نه بهترین راه. وظیفه‌ی ما این بود که ببینیم چطور می‌توان آن را بهتر کرد.» در این کلاس تابلوهای اعلان زنده (live leaderboard) طراحی شده‌اند تا دانشجویان در مسیر یادگیری، مرتب روش‌های خود را بهبود دهند.
ام لابِر، دانشجوی مدیریت طراحی سیستم، اشاره می‌کند فضای طراحی این کلاس باعث شد نگاه عملی‌تری به نحوه برنامه‌نویسی و پیاده‌سازی الگوریتم‌های یادگیری ماشین داشته باشند.
در این دوره علاوه بر بررسی مقالات تحقیقاتی، تمرین‌هایی عملی نیز برای کاربرد یادگیری ماشین در مسائل خاص مهندسی مانند رباتیک، سازه‌ها، هواپیما و متامتریال‌ها انجام می‌شود. در پایان ترم، گروه‌ها پروژه‌هایی را ارائه می‌دهند که در آن‌ها از روش‌های هوش مصنوعی برای حل یک مسئله پیچیده و واقعی بهره می‌گیرند.
دکتر احمد با اشاره به تنوع موضوعی و کیفیت بالای پروژه‌ها می‌گوید: «برخی پروژه‌ها به مقالات پژوهشی تبدیل شده‌اند، و حتی موفق به کسب جایزه نیز شده‌اند.» به‌عنوان نمونه می‌توان به مقاله‌ای با عنوان GenCAD-Self-Repairing اشاره کرد که موفق شد جایزه بهترین مقاله سال ۲۰۲۵ در حوزه مهندسی سیستم‌ها و مدیریت دانش از سوی انجمن مهندسان مکانیک آمریکا (ASME) را به دست آورد.
مالیا اسمیت، دانشجوی مقطع تحصیلات تکمیلی، درباره پروژه‌اش می‌گوید: «بخش جالب پروژه نهایی این بود که هر دانشجو می‌توانست آموخته‌هایش را در مسیری که علاقه‌مند است، به کار گیرد.» او با استفاده از داده‌های حرکتی علامت‌گذاری‌شده، تلاش کرد نیروی تماس پای دونده با زمین را پیش‌بینی کند، پروژه‌ای که نتیجه‌ای فراتر از انتظار داشت.
لابر برای پروژه‌اش یک ساختار درخت گربه (Cat Tree) با ماژول‌های قابل تنظیم طراحی کرد تا برای هر خانه، راه‌حل مناسبی ارائه دهد. و مویر نیز به ساخت نرم‌افزاری برای طراحی معماری جدیدی از چاپگرهای سه‌بعدی پرداخت.
مویر در پایان می‌گوید: «وقتی یادگیری ماشین را در فرهنگ عمومی می‌بینیم، اغلب پیچیده و گنگ به نظر می‌رسد. اما این کلاس واقعاً پرده‌‌ها را کنار زد.»
