KI/ML für Forschung und Entwicklung kann Entdeckungen wie das überkritische Tragflächendesign drastisch beschleunigen

Forschung und Entwicklung im Zeitalter der Künstlichen Intelligenz und des Maschinellen Lernens

Seit Beginn der wissenschaftlichen Revolution erfolgte die Forschung und Entwicklung neuer Technologien fast ausschließlich durch kontinuierliches Experimentieren und Beobachten. Vom Telefon bis zu Arzneimitteln: Die Technologien, die unseren Alltag beeinflussen, begannen als grobe Versionen ihrer heutigen, fein abgestimmten Versionen. Ingenieure, Wissenschaftler und Forscher waren in langen, iterativen F&E-Zyklen gebunden, in denen sie Hypothesen aufstellten, Testbedingungen beobachteten und Ergebnisse wiederholt maßen. Bis jetzt. KI-gestützter F&E wurden bereits tiefgreifende Entdeckungen zugeschrieben, wie zum Beispiel spezialisierte Antibiotika und es wird die Art und Weise, wie wir erfinden, weiterhin neu erfinden.

Die Regeln der Forschung und Entwicklung werden von Innovatoren mit Fähigkeiten wie künstlicher Intelligenz, maschinellem Lernen/Deep Learning, Simulation und Modellierung neu geschrieben. Lange vor dem Aufkommen von KI/ML wurden Simulation und digitale Modellierung von Forschungs- und Entwicklungsteams aus verschiedenen Gründen eingesetzt, darunter zur Erhöhung der Sicherheit (z. B. Fahrzeug-Crashtests) und zur Kostensenkung (z. B. Gebäudestabilitätstests). Trends wie computergestütztes Design (z. B. Blaupausen und 3D-Modelle) und später computergestütztes Engineering (z. B. Physik- und Chemiesimulationen) ebneten den Weg für eine neue Generation von Computerwissenschaften und Ingenieurwissenschaften das neue Technologien nutzt, um KI-Technik und digitale Zwillinge für neue Innovationen. 

Warum sind KI und ML für F&E wichtig? Einige argumentieren, dass sich das allgemeine Tempo der F&E-Innovationen verlangsamt (Weltbank), während andere argumentieren, dass die Lösung der größten KI-Physik Probleme sind schwieriger oder weniger attraktiv geworden (MIT-Rezension). In jedem Fall müssen Forscher, Ingenieure und Wissenschaftler neue Forschungsansätze entwickeln, die Innovationen beschleunigen und die Möglichkeiten erweitern. 

Umstellung vom traditionellen Luft- und Raumfahrtdesign auf KI/ML-gestütztes Design

Eine der berühmtesten Geschichten kontinuierlicher technischer Optimierung ist die moderne Luftfahrt, wie sie sich in der Flügelformgestaltung und der Entdeckung des überkritischen Tragflächenprofils zeigt. Über ein Jahrhundert lang haben Luft- und Raumfahrtingenieure daran gearbeitet, die Querschnittsform von Tragflächen, das sogenannte Tragflächenprofil, zu verbessern. Ideale Tragflächenprofilformen minimieren Luftwiderstand und Turbulenzen und maximieren gleichzeitig den Auftrieb. Nach 40 Jahren Forschung und Entwicklung waren Flugzeuge dank des Düsentriebwerks deutlich schneller geworden, doch hohe Geschwindigkeiten führten zu Instabilität, insbesondere als sich die Pioniere der Schallgeschwindigkeit näherten. Aerodynamiker entwickelten die Tragflächenprofile kontinuierlich weiter, bis sie schließlich das überkritische Design entwickelten, das in eine breite Palette von Flugzeugen – von Verkehrs- bis Militärflugzeugen – integriert wurde und zu drastisch verbesserter Sicherheit und Effizienz führte. 

Die Entdeckung des überkritischen Tragflächenprofils dauerte Jahrzehnte und beruhte auf physikalischen Werkzeugen wie Windkanälen (seit den 1930er Jahren) und schließlich digitalen Werkzeugen. Computational Fluid Dynamics (CFD) (seit den 1970er Jahren) – beide Ansätze sind hochgradig iterativ und führen nur zu inkrementellen Fortschritten. Dies wirft die Frage auf: Können wir mit dem heutigen Verständnis der Physik, kombiniert mit Technologien wie digitalem Prototyping und künstlicher Intelligenz, bahnbrechende Entdeckungen viel schneller machen als je zuvor? Die Antwort lautet höchstwahrscheinlich: ja! 

KI und verwandte Technologien wie maschinelles und Deep Learning, physikbasierte neuronale Netze und Surrogatmodelle bieten enormes Potenzial zur Lösung komplexer Konstruktionsprobleme wie dem überkritischen Tragflächenprofil. Ingenieure können mithilfe rechnergestützter Methoden nahezu unbegrenzte Designkandidaten generieren, diese unter unterschiedlichsten realen Bedingungen testen und schließlich das optimale Design auswählen. In den letzten Jahrzehnten setzten Luft- und Raumfahrtingenieure auf CFD-Software und Parallelrechnen, die zwar immer schneller, aber immer noch zeitintensiv sind, was die Aufmerksamkeit auf diese neue Kategorie KI-gestützter Ansätze lenkt. 

Entdecken des optimalen Tragflächenprofildesigns mithilfe von ML und einem Ersatzmodell auf Rescale

Um zu veranschaulichen, wie Aerodynamiker mit dem Entwurf und der Optimierung von Tragflächenformen beginnen können, haben wir eine Lernprogramm Das überkritische Tragflächendesign wird deutlich schneller erstellt als mit herkömmlichen Methoden. Um KI/ML einsetzen zu können, benötigen Forschungs- und Entwicklungsteams eine Vielzahl von Toolsets. Rescale hat daher eine Plattform mit einem vollständigen Stack und einem einfachen Workflow für den Einstieg entwickelt. Ähnlich wie bei Standardmethoden des Computer Aided Engineering (CAE) wie CFD oder Finite-Elemente-Analyse (FEA), Ingenieure benötigen Zugriff auf anwendungsfallspezifische Software und spezielle Hardware (z. B. CPU, GPU, Speicher, Netzwerk, Arbeitsspeicher). 

Neben spezifischer Hard- und Software basieren KI-Ansätze auf einer Reihe von Frameworks und großen Datensätzen für Trainingsmodelle, die Rescale auf einer Plattform vereint. In diesem speziellen Anwendungsfall kann der Benutzer einen vorhandenen Datensatz möglicher Tragflächenformen und ein Open-Source-Framework für multidisziplinäre Analysen, MDAO, nutzen, um die aerodynamische Formoptimierung durchzuführen.  

In diesem Projekt nutzten wir angewandte ML-Techniken, um CFD-Simulationen und Optimierungsprozesse auf der Rescale-Plattform zu beschleunigen. Zunächst reduzierten wir mithilfe der Hauptkomponentenanalyse (PCA) die Dimensionalität einer großen Tragflächendatenbank. Anschließend erstellten wir ein PCA-basiertes reduziertes Modell, um Strömungsfeldvorhersagen mit geringer Genauigkeit zu erstellen und so die Konvergenz hochpräziser Simulationen zu beschleunigen, die für die Generierung von Trainingsdaten erforderlich sind. Schließlich erstellten wir basierend auf diesen vollständig generierten Trainingsdaten ein auf einem Gauß-Prozess basierendes Ersatzmodell, das für eine schnelle Optimierungsschleife verwendet wird, um den Widerstand eines Basistragflächenprofils unter gegebenen Randbedingungen zu minimieren. 

Die Ausführung jedes hochpräzisen Falls dauert etwa 50 Sekunden (8 Kerne/Probe), wenn man von Anfangsbedingungen ausgeht, und 4 Sekunden (8 Kerne/Probe), wenn man von einem vorhergesagten Strömungsfeld ausgeht. Wenn die Trainingsdaten naiv generiert werden, d. h. ohne Zwischenbeschleunigung und unter Verwendung eines Zwischensurrogatmodells, dauert die Generierung des gesamten Datensatzes etwa 17 Stunden. Wenn jedoch eine Zwischenbeschleunigung verwendet wird, um einen Großteil der hochpräzisen Simulationen mit Zwischenvorhersagen zu initialisieren, dauert die Datengenerierung nur 2 Stunden. Die zum Trainieren des Surrogatmodells benötigte Zeit ist im Vergleich zur Generierung der Trainingsdaten vernachlässigbar. Es dauert einige Stunden, um die zum Trainieren des endgültigen Surrogatmodells benötigten Daten zu generieren. Nach dem Training produziert das Modell jedoch ausreichend genaue Vorhersagen, jeweils innerhalb von Sekundenbruchteilen. Daher amortisieren sich die Vorlaufkosten der Trainingsdatengenerierung erheblich während der nachfolgenden Optimierungsstudien, die mehrere Optimierungen mit unterschiedlichen Einschränkungen und Zielen umfassen können.    

Fazit

In diesem Vergleich traditioneller CAE- und ML-Konstruktionsmethoden haben wir gezeigt, dass die Verwendung eines Ersatzmodells zur Unterstützung oder zum Ersatz hochpräziser Simulationen die Konstruktions- und Optimierungsstudien erheblich beschleunigt und die dynamische Änderung von Randbedingungen oder Zielen ermöglicht, ohne die hochpräzise Simulation für jede Studie wiederholen zu müssen. Die Beschleunigung war mit der ML-Methode etwa achtmal höher. Wenn Sie mehr darüber erfahren oder es selbst ausprobieren möchten, besuchen Sie unsere geführtes Tutorial mit zusammenfassendem Video hier. Wenn Sie an KI/ML-Techniken interessiert sind, die Sie für andere Branchen und Anwendungsfälle einsetzen können, können Sie Nehmen Sie hier Kontakt mit uns aufWir freuen uns, viele unserer Pionierkunden dabei zu unterstützen, kontinuierlich neue F&E-Ansätze zu testen und dadurch neue Erkenntnisse zu gewinnen.