Durch die Kombination physikbasierter Methoden mit Machine Learning entwickelt ein Team am Institut für Thermodynamik und nachhaltige Antriebssysteme der TU Graz Modelle, die trotz weniger Trainingsdaten bessere Ergebnisse liefern.

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 Laborleiter Stefan Posch und sein Team am Institut für Thermodynamik und nachhaltige Antriebssysteme der TU Graz im heute 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.

Bundesministerium für Wirtschaft, Energie und Tourismus fördert innovative Erforschung der Kombination von Physik und Machine Learning

Wolfgang Hattmansdorfer, Bundesminister für Wirtschaft, Energie und Tourismus, dessen Ministerium wesentlich zur öffentlichen Finanzierung der CD-Labors beiträgt: „Unsere Industrie muss wettbewerbsfähig bleiben – durch intelligente, effiziente und sichere Produkte. Künstliche Intelligenz spielt dabei eine Schlüsselrolle, vor allem dann, wenn sie auf fundiertem physikalischem Wissen aufbaut. Genau das passiert im neuen CD-Labor: Hier verschmelzen modernste Machine-Learning-Verfahren mit ingenieurwissenschaftlicher Expertise. Das spart nicht nur Zeit in der Entwicklung, sondern erhöht auch die Qualität und Sicherheit neuer Technologien.“

„Damit digitale Modelle für die industrielle Anwendung von Nutzen sein können, müssen ihre Ergebnisse mit der echten Welt übereinstimmen“, erklärt Stefan 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.“

Allgemeingültige Methoden als Ziel

Mit dem noch recht jungen Forschungsbereich Physics-Driven-Machine-Learning beschäftigt sich Stefan 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 unterstützt die Forschung gemeinsam mit mehreren Instituten der TU Graz und dem Graz Center for Machine Learning auch weiterhin auf wissenschaftlicher Seite.

Industriepartner*innen des CD-Labors sind: Andritz Hydro GmbH (Antriebe und Generatoren), BRP-Rotax GmbH & Co KG (Kleinmotoren), das Engineering Center Steyr GmbH & Co KG als Teil von Magna International Inc. (Fahrwerke), Everllence SE (vormals MAN Energy Solutions SE) (Großmotoren) und Palfinger Europe GmbH (Kräne und Hubbühnen). Sie steuern ihre hauseigenen Daten sowie realitätsgetreue Problemstellungen und ihre Erfahrung mit numerischen Simulationen bei. Ziel ist es, grundlegende, allgemeingültige Methoden zu finden, mit der die Kombination aus Machine Learning und Physik zuverlässige und reproduzierbare Ergebnisse liefert, die mit der Realität übereinstimmen. Diese können die Unternehmenspartner dann an ihre Bedürfnisse anpassen. Größte Herausforderung ist, dass das Hinzufügen der physikalischen Regeln die Komplexität des Modells stark erhöht. Daher wird ein Hauptteil der Forschungsarbeit darin bestehen, das Modell durch Reduktion der physikalischen Parameter zu optimieren, ohne Genauigkeit einzubüßen.

Über die Christian Doppler Labors

In Christian Doppler Labors wird anwendungsorientierte Grundlagenforschung auf hohem Niveau betrieben, hervorragende 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. Wichtigster öffentlicher Fördergeber ist das Bundesministerium für Wirtschaft, Energie und Tourismus (BMWET).