Simultelligenz

Simulation und Künstliche Intelligenz (KI) sind zwei sehr verschiedene Möglichkeiten, die Realität mit mathematischen Methoden nachzubilden. Engverzahnte Ansätze zwischen ihnen gab es bislang kaum. Erfolgreiche aktuelle Projektbeispiele zeigen jedoch neue Möglichkeiten, wie sich die beiden Techniken hervorragend kombinieren lassen.

Bislang trafen sich die Experten für künstliche Intelligenz (KI) und die Simulationsspezialisten bei Siemens höchstens in der Kantine oder Kaffeeküche. Wirklich erstaunlich ist das nicht, schließlich lösen die beiden Expertengruppen ihre Probleme mit vollkommen unterschiedlichen mathematischen Ansätzen. In Zukunft jedoch werden sie sich wohl auch öfter in gemeinsamen Besprechungen sehen: „Wir entdecken immer mehr Möglichkeiten, wie sich Simulation und künstliche Intelligenz gegenseitig ergänzen können“, sagt Dirk Hartmann, Experte für Simulation bei Siemens. „Beide Ansätze haben Stärken und Schwächen. Wenn wir es schaffen, sie geschickt zu kombinieren, werden wir schneller und bleiben so zuverlässig wie bisher.“ 

Exkurs: So arbeiten KI und Simulation

Die unbekannte Maschine 

Angenommen wir haben eine – unbekannte – Maschine mit vielen Knöpfen und ein paar Hebeln. Gesucht wird ein Programm, das das Verhalten dieser Maschine nachbildet. Sowohl Simulations- als auch KI-Experten können das Problem lösen, allerdings auf unterschiedliche Weise.

 

Was macht der Simulations-Experte*in ?

Der Simulations-Experte lässt die Maschine eine Zeitlang laufen und beobachtet, wie sie auf unterschiedlichen Eingaben reagiert. Danach wird er sie wohl aufschrauben, die Bauteile und Schaltungen im Inneren analysieren und die Komponenten vermessen. Schritt für Schritt versteht der Experte auf diese Weise die Funktionalität und Besonderheiten der Maschine. Mit diesen Erkenntnissen – und mathematischem Grundwissen – konstruiert er ein Modell (digitaler Zwilling), das die Maschine mit mathematischen Funktionen nachbildet. 

Vorteile / Nachteile der Simulation:

  • Das Simulationsmodell ist erklärbar und von anderen Experten nachvollziehbar – kann also als richtig bestätigt werden.
  • Weil die Experten die technischen Zusammenhänge weitreichend verstanden haben, lassen sich die Simulationsmodelle meist auch für nicht explizit getestete Datenbereiche nutzen (Extrapolierbarkeit des Datenbereichs).
  • Allerdings ist das Erstellen so eines Modells sehr aufwändig.
  • Nur ausgesprochen Experten – innerhalb der Domäne und mathematisch – sind in der Lage, so ein Modell zu schaffen.
  •  Bestimmte Effekte, wie z.B. fehlerbedingte Ausfälle einer Maschine, lassen sich nur schwierig analytisch modellieren.

Was macht der KI-Experte*in ?

Der KI-Experte trainiert ein geeignetes Neuronales Netz (NN) mit Beispieldaten, also mit Datensätzen, die zeigen, auf welche Folge von Eingabedaten welche Ausgaben folgen. Wurde das Netz mit genügend Daten trainiert, dann wird es in der Lage sein, die Funktionalität und Dynamik nachzubilden.

Vorteile / Nachteile künstlicher Intelligenz:

  • Vorausgesetzt es gibt genug Trainingsdaten für unterschiedliche Betriebszustände, dann kann ein KI-Modell vergleichsweise schnell und einfach geschaffen werden.
  • Oftmals ist es jedoch schwierig, genügend Trainingsdaten mit ausreichender Variation zu bekommen (oder sie müssen erst aufwändig erstellt werden).
  • Der KI-Experte muss die Maschine nicht genau verstehen.
  •  Mitunter kann KI in Daten sogar Muster erkennen, die für Menschen nicht erkennbar bzw. noch unbekannt sind.
  • Ein neuronales Netz ist nur schwer interpretierbar, das heißt Menschen können i.A. nicht die mathematischen Zusammenhänge nachvollziehen, die das neuronale Netz darstellt.
  • Daher ist es oft nicht verantwortbar, dem NN wichtige Entscheidungen ohne weitere Kontrolle zu überlassen.
  • Neuronale Netze liefern zuverlässige Aussagen nur für die Datenbereiche, für die sie trainiert wurden.

Ansätze mit unterschiedlichen Stärken und Schwächen

Wann welche Technologie – Simulation oder KI – zum Einsatz kommt, hängt von der technischen Aufgabenstellung ab. „Wenn es gelingt die Realität durch ein analytisches Modell nachzubilden, wir also die Zusammenhänge zwischen den verschiedenen relevanten physikalischen Größen durch mathematische Gleichungen beschreiben können, dann ist die Simulation meist der bessere Ansatz, denn sie liefert uns ein nachvollziehbares Abbild der Realität“, erklärt Dirk Hartmann. „Das Extrem auf der anderen Seite sind Problemstellungen, die sich kaum in mathematischen Formeln fassen lassen, zum Beispiel die Frage: Ist auf dem Bild ein Hund oder eine Katze zu sehen? Es wäre aussichtslos, so eine Frage mit Simulation lösen zu wollen. Ein neuronales Netz jedoch, das mit genügend Trainingsbildern von Hunden und Katzen trainiert wurde, wird den Unterschied erkennen (auch wenn wir oft nicht genau verstehen, wie es das macht). In der Praxis haben wir jedoch oft Aufgaben, die wir mit keiner der beiden Technologien allein zufriedenstellend lösen können, und darum kombinieren wir. Die nachfolgenden Beispiele sind nur der Anfang. Wir sehen noch viele Möglichkeiten, KI und Simulation zu kombinieren.“ 

Das Beste aus beiden Welten

Thomas Runkler, Experte für KI, ergänzt: „Seit vielen Jahren nutzen wir sehr erfolgreich Daten, um Prozesse, Maschinen und Anlagen zu modellieren. Neueste KI-Methoden erlauben es, maschinelles Lernen mit analytischen Strukturen zu kombinieren, z.B. Differentialgleichungen, Navier-Stokes-Gleichungen oder Hamiltonsche Dynamiken. Wir nennen das physik-informiertes maschinelles Lernen. Mit dieser Kombination erreichen wir das Beste aus beiden Welten: präzise Modelle durch effiziente Nutzung von Daten und Expertenwissen.“

Standard Simulationsmodell mit trainierter KI ergänzen 

Zum Beispiel kann ein Simulationsmodell durch ein (bereits trainiertes) neuronales Netz ergänzt werden. Dieses neuronale Netz hat Zusammenhänge gelernt, die nur schwer im Simulationsmodell nachgebildet werden können.  Bei Siemens Corporate Technology wurde so etwa vor Kurzem ein Simulations-KI-Modell entwickelt, das die Restlebensdauer von kleinen Elektromotoren vorhersagen kann. In diesem Fall hatte das Neuronale Netz Zusammenhänge zwischen Sensordaten und Abnützungserscheinungen gelernt und ergänzte eine Standard-Motorsimulation. In einem Projekt in Indien werden mit einem ähnlichen Ansatz Masttransformatoren überwacht, um Stromausfällen zu vermeiden. 

Ein Simulationsmodell ist Basiswissen für die KI

Umgekehrt kann auch ein neuronales Netz durch ein Simulationsmodell zum Schnelllerner werden. Neuronale Netze müssen auch offensichtliche Zusammenhänge in vielen Einzelschritten erlernen. Dafür benötigen sie oft gewaltige Mengen Trainingsdaten. Wenn die neuronalen Netze jedoch schon zu Beginn des Trainings eine Art Grundwissen haben, dann benötigen sie für das Training viel weniger Daten. „Gerade im industriellen Umfeld gibt es oft nicht genug Trainingsdaten. Um neuronale Netze dennoch trainieren zu können, müssen diese Daten erst extra erzeugt werden, was sehr aufwändig sein kann“, erklärt Dirk Hartmann. „Nur um ein Gefühl für die Größenordnung zu vermitteln: Wir haben etwa vor Kurzem Trainingsdaten für Strömungssimulation erzeugt und uns deshalb 20.000 optimale Strömungsgitter berechnen lassen. Allein dafür haben wir auf dem Cluster der TU München 50 Jahre Rechenzeit verbraucht.“

Problemlösung in zwei Phasen:

„Besonders interessant sind Anwendungen, bei denen wir das Ausgangsproblem in eine KI-Aufgabe und eine Simulationsaufgabe zerlegen können, die zusammen ein Ergebnis liefern. So zuverlässig wie eine Simulation aber schneller“, fährt Hartmann fort. „Neuronale Netze übernehmen rechenaufwändige Teilprobleme. Da wir bei ihnen jedoch hinnehmen müssen, dass sie vielleicht gelegentlich keine optimalen Ergebnisse liefern, schließen wir eine Simulation an, die uns die Richtigkeit unseres Ergebnisses sicherstellt.“

Strömungssimulation

„In einem Kooperationsprojekt mit der TU Müchen haben wir zum Beispiel diesen Ansatz erfolgreich verwendet, um Strömungen zu berechnen – also wie etwa ein Auto im Windkanal umströmt wird. Wenn man Strömungen berechnet, hinterlegt man die Geometrie zunächst mit Gitterpunkten – das gewählte Gitter hat großen Einfluss, mit welchem Rechenaufwand anschließend die Strömung berechnet werden kann – allerdings ist es auch schon sehr rechenaufwändig, so ein optimales Gitter zu bestimmen. Diesen ersten Schritt, das optimale Gitter zu berechnen, übernimmt bei uns jetzt künstliche Intelligenz und macht die Strömungssimulation so deutlich schneller. Sollte die KI dabei ab und an ein nicht optimales Strömungsgitter vorschlagen, können wir das verkraften, denn das wirkt sich nur auf die Rechenzeit nicht auf das Ergebnis aus.“

Generatives Design

Auch im Produktdesign, kann eine Kombination aus KI und Simulation beschleunigen – Experten sprechen von generativem Design. Eine typische Aufgabe im Design sieht etwa so aus: Der Kunde gibt Requirements vor, etwa ein Maximalgewicht und eine Mindeststabilität. Die Designer müssen daraus ein möglichst kostengünstiges Produktlayout ableiten. „Wenn wir Design entwickeln und nur mit Simulation arbeiten, muss man im Allgemeinen erst etliche Designvorschläge simulieren – und wir wissen ja, das ist aufwändig – bevor man ein Design gefunden hat, das die Anforderungen erfüllt“, sagt Thomas Grünewald, Experte für Generative Design. „Mit Unterstützung von KI geht das schneller, wenn wir ein neuronales Netz so trainieren, dass es aus typischen Kundenanforderungen Designvorschläge ableitet. Es macht nichts, wenn gelegentlich auch ein schlechtes Design vorgeschlagen wird. Denn anschließend wird dieses Design durch eine Simulation noch überprüft, ob alle Requirements auch wirklich erfüllt sind. Sollte das Design schlecht gewesen sein, werden wir dann den Fehler finden. Im Normalfall – wenn die KI einen guten Vorschlag gemacht hat – müssen wir auf diese Weise nur einmal simulieren und werden so deutlich schneller.“

Aenne Barnard  - April 2020

Subscribe to our Newsletter

Stay up to date at all times: everything you need to know about electrification, automation, and digitalization.