CD-Labor für Physikbasiertes maschinelles Lernen in industriellen Anwendungen

Das Ziel dieses CD-Labors ist es, die Nutzbarkeit des maschinellen Lernens (ML) für technische Fragestellungen zu verbessern. Konkrete Beispiele sind numerische Simulationen im Bereich der Strukturmechanik und in der Strömungsdynamik oder der prädiktiven Simulation und Steuerung.

Während die "klassische" künstliche Intelligenz mit ihrem Teilbereich des ML im Alltag Einzug gehalten hat – von persönlichen digitalen Assistenten bis hin zu fortschrittlichen Diagnoseinstrumenten im Gesundheitswesen oder leistungsstarken Chatbots – steckt das Forschungsgebiet des physikbasierten ML noch in den Kinderschuhen.

Obwohl die jüngsten Forschungsaktivitäten das enorme Potenzial physikbasierter ML bewiesen haben, ist ein erheblicher Forschungsaufwand erforderlich, um stabile und allgemein anwendbare Methoden zu erhalten. Durch die Implementierung von physikalischem Wissen benötigen ML-Modelle weniger Daten, was ihre Anwendbarkeit auf Bereiche erweitert, die durch knappe oder spärliche Variationen in den Daten gekennzeichnet sind – wie dies bei den meisten technischen Problemstellungen der Fall ist. Dies bedeutet, „Smart Data“ anstelle von „Big Data“ zu verwenden.

ML-Methoden, die die Physik einbeziehen, sind aufgrund der erhöhten Komplexität des Optimierungsproblems schwieriger zu trainieren als rein datengetriebene Modelle. Daher wird eine gründliche Analyse des für das ML-Training verwendeten Optimierungsprozesses durchgeführt, um die Grundlage für die Erforschung fortgeschrittener physikbasierter ML-Methoden zu schaffen.

Der ganzheitliche Forschungsansatz des CD-Labors konzentriert sich auf die Möglichkeiten der Integration physikbasierter Informationen in den gesamten ML-Prozess, einschließlich Problemformulierung, Datenerstellung und -aufbereitung, ML-Architektur und Trainingsprozess. Durch umfassende Grundlagenforschung werden neuartige ML-Ansätze erforscht, die nicht nur physikalische Informationen, sondern auch Elemente numerischer Simulation zur Verbesserung des Trainingsprozesses einbeziehen. Diese Forschungstätigkeiten werden die Extrapolationsfähigkeiten von ML-Modellen entscheidend erweitern, um zuverlässige Vorhersagen in Szenarien oder unter Bedingungen zu ermöglichen, die in den zugrundeliegenden Trainingsdaten unterrepräsentiert oder nicht vorhanden sind. Darüber hinaus werden fortgeschrittene physikbasierte ML-Methoden entwickelt, die die Genauigkeit, Zuverlässigkeit und Robustheit erheblich verbessern und somit ihren Einsatz in realen Anwendungen ermöglichen. Zusätzlich wird durch die Integration von Physik in ML-Modelle der Black-Box-Charakter, der häufig mit ML verbunden ist, aufgebrochen, was zu einer besseren Interpretierbarkeit und Transparenz der Modelle führt.

Der thematische Schwerpunkt der physikbasierten ML-Anwendung liegt in der Verbesserung von numerischer Simulation, der Erstellung von Surrogatmodellen und der prädiktiven Simulation und Steuerung komplexer Systeme. Die Lücke zwischen theoretischer Forschung und praktischen Anwendungen wird durch die Definition von realen Anwendungsfällen in enger Zusammenarbeit mit den Unternehmenspartnern geschlossen.