Mit Sensor-Knowhow die "Black Box" erhellen

• Können wir das Wissen über Sensoren nutzen, um die Qualität von Methoden der Künstlichen Intelligenz zu bewerten und zu verbessern?
• Wie können physikalische und datenbasierte Modelle verknüpft werden bzw. voneinander partizipieren?
• Wie kann es gelingen, KI-Methoden in einen Sensor zu integrieren?
• Wie können KI-Systeme für die Raumfahrt genutzt werden?

Das Geheimnis der Neuronalen Netze

KI hat in den letzten Jahren enorme Fortschritte gemacht, speziell Verfahren des Machine Learning (ML) liefern bemerkenswerte Ergebnisse für Problemstellungen, die vor ein paar Jahren noch als unlösbar galten. Deep Neural Networks, Recurrent Neural Networks und Convolutional Neural Networks sind heutzutage Standardtechnologien bei der Erforschung von Lösungen für komplexe Fragestellungen in unterschiedlichen Anwendungsgebieten, zum Beispiel in der Bildverarbeitung oder in Kommunikationssystemen.

Nach wie vor stehen wir vor der großen Herausforderung, besser nachzuvollziehen, was in Neuronalen Netzen passiert. Es wird bisher nicht ausreichend verstanden, warum Entscheidungen getroffen werden und wie sicher diese Entscheidungen sind. Zuverlässige Qualitätsmetriken sind schwer ableitbar, aber nötig, um solche modernen Technologien operationell einzusetzen und letztlich zu zertifizieren. Erklärbarkeit und Transparenz von Neuronalen Netzen ist deshalb ein aktueller Forschungsschwerpunkt.

Mit zunehmenden Erfahrungen verstehen wir immer besser, welche Möglichkeiten KI bietet und welchen Begrenzungen sie unterliegt. Dabei ist festzustellen, dass einem wesentlichen Element der gesamten Prozesskette bisher zu wenig Aufmerksamkeit zuteilwird - der Sensorik selbst. Mit dem Thema 'Sensor AI' wollen wir diese Lücke schließen.

Der Sensor - komplex, aber erforscht

Typischerweise starten KI-Ansätze mit Daten, aus denen Informationen oder Handlungsanweisungen abgeleitet werden. Die Prozesse der Datengewinnung beziehungsweise die Umstände, unter denen die Daten erzeugt werden, finden kaum Berücksichtigung bei der Datenverarbeitung. Bilder von Kameras, mit denen ein Neuronales Netz angelernt wird, sind in der Regel nicht mit Angaben über die Verzeichnung des Objektivs, über das Rauschen des Detektors oder über die Temperatur des Instruments annotiert, obwohl das Resultat (in dem Fall die Bilder) von diesen Parametern abhängt.

Sensoren sind komplexe Einheiten, die physikalische Eigenschaften eines Objekts und der Umgebung in ein (meist digitales) Signal wandeln. Die physikalischen Wirkmechanismen von Sensoren sind gut verstanden, die dazugehörigen mathematischen Modelle wurden in den letzten Jahrzehnten entwickelt und verifiziert. Mit Hilfe solcher Modelle (auch digitale Zwillinge oder digital twins genannt) können Sensoren über ihren gesamten Lebenszyklus von der Entwicklung bis zum operationellen Einsatz charakterisiert, überwacht und gesteuert werden. Dieses Knowhow soll genutzt werden, um informationstechnische Modelle aus der KI-Welt mit der physikalischen Realität und letztlich Bits und Bytes mit SI-Einheiten zu verbinden.

Anwendungen für 'Sensor AI' in der Raumfahrt

Von einem solchen 'Sensor AI'-Ansatz können viele wissenschaftliche Disziplinen profitieren. Weltraumgestützte optische Instrumente  wie Kameras oder Spektrometer sind perfekt geeignet, um das Potential dieses Ansatzes zu demonstrieren. Sie erzeugen zum einen Daten mit einem kaum abschätzbaren Informationsgehalt, sie sind extremen Bedingungen ausgesetzt und die einsetzbaren Ressourcen sind äußerst begrenzt. Es verbietet sich quasi von selbst, einen Grafikprozessor mit einer Leistung von 500W auf einen Satelliten zu bringen. Auf der anderen Seite steigen die Anforderungen an solche Instrumente immer mehr. Die Datenraten räumlich oder spektral hochauflösender optischer Sensoren übersteigen bei weitem die aktuellen Downlink-Kapazitäten von Satelliten. Die Menge an Daten macht eine zeitnahe Auswertung schwierig, wird aber gefordert.

Welche konkreten Beispiele für eine Anwendung von 'Sensor AI' sind denkbar? Eine Onboard-Datenverarbeitung,  gegebenenfalls sogar auf semantischer Ebene, ist ohne KI schwer vorstellbar. Erste Konzepte und Ansätze existieren bereits, akzeptiert werden diese aber nur, wenn die Qualität der abgeleiteten Informationen sichergestellt wird. Und das wird nur gelingen, wenn die komplexen physikalischen Gegebenheiten berücksichtigt werden.

Ein anderes Beispiel bezieht sich auf die Modellbildung solcher Systeme, die für die Definition von technischen Requirements, die Optimierung des Instruments oder die Charakterisierung/Kalibration eines optischen Instruments benötigt wird. Eine vollständige Simulation solcher Systeme mit ihren zeitlich veränderlichen thermischen, mechanischen, elektrischen und optischen Eigenschaften ist nicht leistbar. Hier kann KI helfen, komplexe Modelle näherungsweise zu beschreiben.

Ähnliche Anwendungsbeispiele können auch in anderen Anwendungsdomänen, wie zum Beispiel beim autonomen Fahren, der Robotik oder der Medizintechnik gefunden werden.