von
KI bietet bereits enorme Möglichkeiten zur Analyse und Erforschung umfangreicher Datensätze. Das ist bisher allerdings unzureichend für Anwendungsbereiche, in denen weniger Trainingsdaten, aber dafür umfassendes Wissen über physikalische Prinzipien vorhanden ist. Die Wissenschafter unter der Leitung von Stefan Posch vom Institut für Thermodynamik und nachhaltige Antriebssysteme der TU Graz sehen in der Integration grundlegender physikalischer Prinzipien direkt in die KI-Methoden eine Lösung, diese Einschränkung zu überwinden. Am Dienstag wurde in Graz ein Christian-Doppler-Labor für die diesbezügliche anwendungsorientierte Grundlagenforschung eröffnet.
"Damit digitale Modelle für die industrielle Anwendung von Nutzen sein können, müssen ihre Ergebnisse mit der echten Welt übereinstimmen", betonte 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 aufwendig zu generieren sind", erklärte der Maschinenbauer, der dem Machine-Learning Physik beibringen will und das neue Labor leitet.
Das CD-Labor wird von mehreren Industriepartnerinnen unterstützt, darunter Andritz Hydro GmbH (Antriebe und Generatoren) und BRP-Rotax GmbH & Co KG (Kleinmotoren) und Palfinger Europe GmbH (Kräne und Hubbühnen). Diese Partner bringen realitätsgetreue Problemstellungen und ihre Daten und Erfahrung mit numerischen Simulationen ein, um allgemeingültige Methoden zu entwickeln, die zuverlässige und reproduzierbare Ergebnisse liefern. Das Large Engines Competence Center (LEC) und mehrere Institute der TU Graz und das Graz Center for Machine Learning unterstützen auf wissenschaftlicher Seite.
Das Bundesministerium für Wirtschaft, Energie und Tourismus unterstützt die Forschung finanziell. Bundesminister Wolfgang Hattmansdorfer (ÖVP) betonte die Bedeutung der Kombination von Künstlicher Intelligenz und physikalischem Wissen für die Wettbewerbsfähigkeit der Industrie. Er erhofft sich durch die Verschmelzung von Machine-Learning-Verfahren mit ingenieurwissenschaftlicher Expertise nicht nur eine Verkürzung von Entwicklungszeiten, sondern auch eine Erhöhung der Qualität und Sicherheit neuer Technologien.
GRAZ - ÖSTERREICH: FOTO: APA/APA/TU Graz
