Wie KI mit schneller Prozess- und Produktsimulation das Engineering neu definiert

Die Frage ist: Sieht da einer schwarz für die deutsche Industrie? Oder bietet er den rettenden Strohhalm? Oder beides? Auf jeden Fall sieht Johannes Brandstetter in Sachen KI ein großes Lernfeld für die deutsche und europäische Industrie. Der Teilchenphysiker und Experte für künstliche Intelligenz (KI) ist Entwicklungschef der österreichischen KI-Schmiede NXAI. Bis zum Januar war er noch bei Microsoft, gerade kommt er für seinen neuen Arbeitgeber zurück aus den USA. Sein Fazit: Die US-Unternehmen entdecken die Industrie für sich. Eile ist geboten.

Brandstetter sieht im Gespräch mit VDI nachrichten dennoch eine ganz große Chance für die europäische und deutsche Industrie – wenn sie sehr schnell Anwendungen im Bereich KI adaptiert. Die Herausforderung: „Es mangelt uns nicht an Ideen, die Möglichkeiten sind riesig“, meint er. Die Industrie sei „getrieben durch Prozessentwicklung“, seien es Automobile, chemische Produkte oder Elektronik. „Was haben alle diese Industriezweige gemeinsam?“, fragt der Physiker und liefert die Antwort gleich mit: „Sie bauen Geräte, Modelle und Prozesse, die in der echten Welt funktionieren sollen.“ Die Unternehmen simulieren klassischerweise ihre Prozesse am Computer. „Das ist der bekannte Weg, um Engineering zu betreiben. Das kennen wir seit Jahrzehnten.“

KI wird die Simulationen im Engineering extrem beschleunigen können

KI dürfte aber auch diesen Bereich durchrütteln – da ist sich Brandstetter sicher, und daran arbeiten er und NXAI kräftig mit. In der Mache ist die Entwicklung von KI-Basismodellen für die industrielle Simulation. Die Idee kam Brandstetter in Amsterdam, als er für Microsoft Research Wettersimulationen basierend auf KI baute. Sein Ansatz: Komplexe physikalische und technische Prozesse wie Strömungsprozesse, die sehr häufig vorkommen, soll KI effizienter, schneller, in Echtzeit und besser simulieren. Brandstetter verdeutlicht, welche dicken Bretter die Industrie – und nicht nur die deutsche – derzeit mit computergestützten Simulationen bohrt. „Ein klassisches CFD-Modell (Computational Fluid Dynamics) durchläuft oft Tausende von Simulationen und verschlingt riesige Datenmengen, um die Aerodynamik oder thermische Eigenschaften zu testen.“

Die deutsche Industrie, die lange Zeit auf prozessorientierte Innovation gesetzt hat, steht demzufolge durch KI an einem Wendepunkt. Brandstetter arbeitet bei NXAI mit seinem Team im Projekt „AI4Simulation“ daran, den Simulationsprozess datengetrieben umzukrempeln. Die europäische Industrie soll davon profitieren. Diese Modelle nutzen sowohl historische Simulationsdaten als auch physikalische Grundprinzipien. Sie können Prozesse und Strömungsdynamiken in Echtzeit analysieren und vorhersagen. Das ist das Ziel.

KI-getriebene Simulation kommt ohne Gitterstrukturen oder Teilchenmodelle aus

Dass die Linzer da nah dran sind, zeigt eine heute veröffentlichte Arbeit, mit der sie anhand von Schüttgutprozessen zeigen, dass das KI-Basismodell von NXAI die Physik dahinter gut gelernt hat und sie auch zuverlässig abbilden kann. Sprich: Die KI hat die Physik so gelernt, dass es in der Echtzeitsimulation so aussieht, wie es in der realen Welt funktionieren soll.

Anders als traditionelle Simulationstechniken, die auf Gitterstrukturen (zum Beispiel bei Strömungssimulationen) oder Partikelmodellen basieren und oft sehr speicherintensiv sind, können UTP Daten extrem komprimiert speichern und zeitliche Veränderungen flexibel abbilden. „Unser neuronales Netz lernt dank UPT die Physik und wir beweisen, dass unsere KI-basierten Simulationen die Physik zuverlässig erlernen und dann auch wieder abbilden können. Das ist das entscheidende Kriterium für die Akzeptanz in der industriellen Anwendung“, so Brandstetter.

KI-getriebene Simulation erfolgreich am Beispiel Schüttgut

Die Simulation des Verhaltens von Schüttgut basiert klassischerweise auf Discret Element Methods (DEM). Auch chemische Prozesse lassen sich mit DEM simulieren. Doch DEM haben Nachteile: Sie sind rechenintensiv und oft komplex zu kalibrieren. Das NXAI-Team um Brandstetter führte neuronale Netze und DEM in einem eigenen Modell namens NeuralDEM zusammen. Das habe jetzt nach Angaben von NXAI die Leistungsfähigkeit des UTP-basierten Modells in verschiedenen Transportprozessen gezeigt, darunter Masse, Spezies und Verweilzeit. Dafür visualisierte das Brandstetter-Team drei Szenarien: Entleeren und Nachfüllen von Silos mit variierenden Ausströmwinkeln sowie Wirbelschichten mit unterschiedlichen Anströmgeschwindigkeiten (s. Grafik).

„Wir haben erstens bewiesen, dass wir sehr große Modelle bauen und zweitens rechnen können“, so Brandstetter. Es gebe zwar Unternehmen, die das auch könnten, nur hätten die meist kein Domänenwissen in der Simulationswelt und kaum Interesse daran. „Die Experten aus den Domänen haben aber kaum Expertise mit großen Netzen. Das ist unser Alleinstellungsmerkmal am Markt. Wir können beides: große Netze und Domänenwissen aufbauen.“ Sprich: Ahnung von KI und Industrie gleichzeitig zu haben, könnte eine Wettbewerbsvorteil sein.

KI-Basismodelle für Engineering könnten bald bereitstehen

Physik erlernt und erfolgreich abgebildet – aber warum? Solche Modelle könnten – anstelle der herkömmlichen Autoregression – Prozesse in Echtzeit abbilden. Das bietet einen enormen Vorteil in der Industrie, wo Entscheidungen oft in Bruchteilen einer Sekunde getroffen werden müssen. „Wenn man Hochöfen hat und der Mitarbeiter misst irgendwelche Luftunterschiede, kann er in Echtzeit Einstellungen korrigieren“, so Brandstetter. Auch das Design profitiere von dieser Technologie: Ingenieure könnten binnen Minuten zahlreiche Parameterkombinationen durchspielen und so beispielsweise effizientere Batterien oder leichtere Karosserien entwickeln.

Schließlich wäre es möglich, dass diese KI durchaus Ressourcen gegenüber dem klassischen Computingprozess für Simulationen spart. „Angenommen“, sinniert Brandstetter ein Einsatzszenario, „Boeing würde einen neuen Flügel für die 747 entwickeln wollen. Was macht Boeing? Sie mieten sich einen riesigen Computer und laufen ihre CFD-Kalkulationen mit 2000 Parameterkombinationen durch, produzieren dabei Petabytes von Daten und produzieren sehr viel CO₂.“ Sollte die Simulation aber mit einem neuronalen Netz trainiert sein, „dann laufen diese 2000 Kombinationen in Minutenschnelle durch. Dann sucht die KI die beste Kombination aus, lässt noch einmal eine bekannte Simulation durchlaufen und hat die beste Einstellung gefunden.“

Bei klassischen Simulationen müssen für verschiedene Parametereinstellungen die gesamten Berechnungen jeweils in voller Länge von Grund auf neu durchgeführt werden. „Deep-Learning-Techniken sind bereit, Modelle zu entwickeln, die Simulationen in Sekunden statt in Tagen oder gar Wochen durchführen“, erklärt Brandstetter. Genug Simulationsdaten zum Training seiner Modelle habe die Industrie.

KI: Wettrennen um Vorherrschaft beim Engineering hat begonnen

De facto arbeitet NXAI an einem KI-Basismodell fürs Engineering. In naher Zukunft will Brandstetter Simulationsbasismodelle bauen, auf weitere Simulationsarten wie CFD (numerische Strömungsdynamik) setzen und diese Industriekunden anbieten. Und ist nicht allein. In den USA haben Simulationsanbieter das Thema für sich entdeckt. Ansys, einer der großen unabhängigen Anbieter im Bereich Computer Aided Engineering, bietet zum Beispiel seiner Kundschaft seit Ende letzten Jahres schon KI-getriebenes Engineering als Cloud-Dienst an. Die Kunden können die KI-Tools mit den eigenen Simulationsdaten füttern und dann daraus analoge Designs erstellen. Das Wettrennen um die Vorherrschaft im Engineering hat begonnen.