Ziel des Projekts PISA ist die Entwicklung von hybriden Vorhersagemodellen, Methoden und Deep-Learning-Architekturen, welche physikalische Grundprinzipien beachten und diese in datengetriebene AI-Modelle integrieren.
Technische Systeme, die zum Beispiel elektronisch, mechanisch oder thermisch beschaffen sind, werden immer komplexer. Oft sind Simulationen und Modellierungen Teil der Entwicklungsarbeit solcher Systeme. Auch die Simulationen werden stetig aufwändiger und komplexer, was zu längeren Rechenzeiten führt. Um die Berechnungen der Simulationen zu reduzieren, setzen Entwicklerinnen und Entwickler sogenannte Ersatzmodelle ein. Ersatzmodelle sind technische Methoden, die zur Approximation komplexer Ergebnisse verwendet werden, wenn direkte Messungen nicht praktikabel sind. Diese Modelle ahmen das Verhalten von Simulationen oder Experimenten nach und ermöglichen schnelle Analysen und Optimierungen von Parametern durch Reduzierung der rechenintensiven Auswertungen.
Geschwindigkeitsfeld um einen Flugzeugflügel für verschiedene Anstellwinkel, welches von einem hybriden Vorhersagemodell unter Beachtung der physikalischen Gesetze berechnet wurde.
Bei der Erstellung der Ersatzmodelle kommen häufig Methoden des maschinellen Lernens, beispielsweise neuronale Netze, zum Einsatz. Diese werden typischerweise mit Daten aus Simulationen oder Messungen trainiert. Bei datengetriebenen Modellen besteht jedoch das Risiko, dass physikalische Grundprinzipien wie die Erhaltungsgrößen Energie, Masse und Impuls verletzt werden können.
Das Ziel des Projekts PISA (Physics Inspired AI) ist daher die Entwicklung von hybriden Vorhersagemodellen, Methoden und Deep-Learning-Architekturen, welche physikalische Grundprinzipien beachten und diese in datengetriebene AI-Modelle integrieren. Dieser Ansatz führt zu hybriden Vorhersagemodellen, die die Genauigkeit physikalisch-basierter Simulationsmodelle mit der Rechengeschwindigkeit datengetriebener AI-Ersatzmodelle kombinieren.
Hybride Vorhersagemodelle werden besonders dann benötigt, wenn nur wenig Rechenzeit oder Rechenressourcen vorhanden sind. Dies ist häufig der Fall in der Regelungstechnik, in der Rechenressourcen begrenzt sind und die Echtzeitfähigkeit entscheidend ist. Ebenfalls hilfreich ist der hybride Ansatz in der multidisziplinären Designanalyse und -Optimierung, wenn die Rechenzeit pro Designschritt möglichst gering ausfallen muss, trotz vorhandener Rechenressourcen.
Strömungssimulation um einen Flugzeugflügel
Vergleich der Geschwindigkeit in x- und y-Richtung und des Drucks zwischen der Lösung eines hybriden Vorhersagemodells und einer numerischen Lösung.
Das Projekt PISA verfolgt zwei Ziele: Zum einen sollen hybride Vorhersagemodelle so entwickelt werden, dass eine genaue Abschätzung von deren Unsicherheiten möglich wird. Unsicherheiten bei Simulationen mit Ersatzmodellen können zum Beispiel in den Modellparametern, in den Eingangsdaten oder auch im Modell selbst auftreten. Die detaillierte Kenntnis der Unsicherheiten ist insbesondere bei sicherheitskritischen Systemen zur Abschätzung der Vorhersagegenauigkeit essentiell.
Zum anderen steht die Zusammenführung von AI und Regelungstechnik im Vordergrund. So sollen AI-basierte Algorithmen auch in der Breite der Anwendungen, beispielsweise im autonomen Fahren oder im Smart Home eingesetzt werden können.
Neben der reinen Methodenentwicklung werden die vorhandenen Kenntnisse in bereits existierende Software des Deutschen Zentrums für Luft- und Raumfahrt (DLR) implementiert, um die Verwertung innerhalb und außerhalb des DLR zu ermöglichen. Die Aufgaben des Instituts für Softwaretechnologie liegen neben der Projektleitung in der Entwicklung der sogenannten „Physics-Aware Machine Learning Modelle“ und der Abschätzung von Unsicherheiten dieser.
