Machine-Learning-Modelle finden immer breitere Anwendung. Damit sie gute Ergebnisse liefern, brauchen sie allerdings jede Menge Trainingsdaten. Bei industriellen Anwendungen ist dieser Datenschatz oft nicht in ausreichendem Masse vorhanden oder nur durch sehr teure Methoden zu gewinnen. Daher werden Stefan Posch und sein Team am Institut für Thermodynamik und nachhaltige Antriebssysteme der TU Graz im neu eröffneten "Christian Doppler Labor für Physikbasiertes maschinelles Lernen in industriellen Anwendungen" traditionelles Machine Learning mit physikbasierten Methoden kombinieren.
Die daraus entstehenden Physics-Driven-Machine-Learning-Modelle erreichen ihre Ergebnisse dann nicht nur anhand der vorhandenen Daten, sondern kennen auch die Regeln der Physik, die sie einhalten müssen. Das verringert die notwendige Menge an Trainingsdaten und erhöht zugleich die Genauigkeit. Durch den Einsatz solcher Modelle können numerische Simulationen aus den Bereichen Struktur- oder Strömungsmechanik beschleunigt und die Entwicklungszeit von Produkten erheblich verkürzt werden. Dies ermöglicht Unternehmen, schneller innovative Lösungen auf den Markt zu bringen und Kosten in der Produktentwicklung zu senken.
"Damit digitale Modelle für die industrielle Anwendung von Nutzen sein können, müssen ihre Ergebnisse mit der echten Welt übereinstimmen“, erläutert Laborleiter Posch. "Wenn wir physikalisches Wissen direkt in Machine-Learning-Modelle einbauen, brauchen wir deutlich weniger Daten – ein grosser Vorteil in Bereichen wie dem Maschinenbau, wo Daten oft nur schwer oder sehr aufwändig zu generieren sind. Gleichzeitig werden die Modelle dadurch transparenter, nachvollziehbarer und können in gewissem Umfang auch verlässliche Vorhersagen für Situationen treffen, die in den ursprünglichen Daten gar nicht enthalten waren. Damit eröffnen sich neue Möglichkeiten für eine sichere und effiziente Anwendung von Künstlicher Intelligenz in der Technik."
Mit dem noch recht jungen Forschungsbereich Physics-Driven-Machine-Learning beschäftigt sich Posch seit rund fünf Jahren. Damals startete am Comet K1-Kompetenzzentrum Large Engines Competence Center (LEC) das Comet-Modul LEC HybTec, in dem zentrale Grundlagen für das jetzige CD-Labor geschaffen wurden. Das LEC unterstütze die Forschung gemeinsam mit mehreren Instituten der TU Graz und dem Graz Center for Machine Learning auch weiterhin auf wissenschaftlicher Seite, heisst es.
Eine ganze Reihe von Industriepartner steuern dabei ihre hauseigenen Daten sowie realitätsgetreue Problemstellungen und ihre Erfahrung mit numerischen Simulationen bei. Ziel sei es, grundlegende, allgemeingültige Methoden zu finden, mit der die Kombination aus Machine Learning und Physik zuverlässige und reproduzierbare Ergebnisse liefere, die mit der Realität übereinstimmten. Diese könnten die Unternehmenspartner dann an ihre Bedürfnisse anpassen. Grösste Herausforderung sei, dass das Hinzufügen der physikalischen Regeln die Komplexität des Modells stark erhöhe. Daher wird ein Hauptteil der Forschungsarbeit darin bestehen, das Modell durch Reduktion der physikalischen Parameter zu optimieren, ohne Genauigkeit einzubüssen.
Die Christian Doppler Labors:
In Christian Doppler Labors wird anwendungsorientierte Grundlagenforschung auf hohem Niveau betrieben. Wissenschafter:innen kooperieren dazu mit innovativen Unternehmen. Für die Förderung dieser Zusammenarbeit gilt die Christian Doppler Forschungsgesellschaft international als Best-Practice-Beispiel. Christian Doppler Labors werden von der öffentlichen Hand und den beteiligten Unternehmen gemeinsam finanziert.
