Wir haben uns kürzlich mit Sherif Samy, einem renommierten Doktoranden der British University in Egypt (BUE), getroffen, um seine Arbeit mit Rescale zur Erforschung neuer KI-Methoden zu besprechen. Samys Arbeit, die kürzlich veröffentlicht in der Natur, konzentriert sich auf die Anwendung interpretierbaren maschinellen Lernens zur Lösung komplexer Herausforderungen im technischen Design, insbesondere bei Verbundwerkstoffen. Er hob das einzigartige Ingenieurprogramm der BUE, den Einfluss auf die Branche und die Rolle von Rescale bei der Beschleunigung seiner fortschrittlichen Simulationen und des KI-Modelltrainings hervor. Dieses Interview bietet einen Einblick in den wachsenden Trend zur Nutzung von KI in der Werkstofftechnik und zeigt, wie Computerwerkzeuge die Zukunft der technischen Forschung prägen.

Können Sie uns zunächst etwas über die British University in Egypt (BUE) erzählen und was ihren Bildungs- und Forschungsansatz so einzigartig macht?

Das Ingenieurschule der British University in Egypt (BUE) ist bestrebt, eine wettbewerbsfähige Ausbildung anzubieten, die darauf abzielt, global kompetente, forschungsorientierte Absolventen hervorzubringen. Unsere Kernaufgabe besteht darin, Personen zu fördern, die einen wesentlichen Beitrag zur Weiterentwicklung von Forschung und Industrie leisten können.

Könnten Sie Ihre Forschungsthemen, Methoden und Kooperationen näher erläutern?

In meiner Arbeit geht es darum, reale Konstruktionsrätsel mithilfe fortschrittlicher Rechenmethoden zu lösen. Insbesondere konzentriere ich mich auf „interpretierbares“ maschinelles Lernen für das Ingenieurwesen. Einige leistungsstarke KI-Modelle – beispielsweise die immer beliebter werdenden Ensemble-Modelle – können zwar sehr genau sein, sind aber oft eine Art „Blackbox“. Das heißt, sie liefern zwar gute Vorhersagen, zeigen uns aber nicht, wie diese zustande gekommen sind. Das erschwert das Verständnis der Beziehungen zwischen verschiedenen Konstruktionsvariablen.

Bei der Erklärbarkeit geht es darum, diese intelligenten Algorithmen transparent zu machen, damit wir die zugrunde liegenden Prinzipien und ihre Schlussfolgerungen verstehen. Ein großer Teil meiner Arbeit besteht darin, die Lücke zwischen diesem theoretischen Wissen und dem Geschehen in der Industrie zu schließen. Wir arbeiten mit Branchenführern zusammen und nutzen unsere angewandte Forschung und datengesteuerte Modellierung, um ihre Herausforderungen direkt zu lösen. So haben wir beispielsweise mit der Arabischen Organisation für Industrialisierung (AOI) und Misr Commercial Vehicles (MCV) an einer umfassenden Simulations- und Fertigungsstudie eines 20-kW-GFK-Windturbinenblatts zusammengearbeitet. Unsere Arbeit umfasste eine hochpräzise Finite-Elemente-Analyse unter Betriebs- und extremen Windbedingungen, Materialcharakterisierung und Optimierung von Verbundwerkstoff-Layups, um strukturelle Anforderungen zu erfüllen und Änderungen im Turmdesign zu berücksichtigen. Dieser kollaborative Ansatz stellt sicher, dass unsere Forschung nicht nur relevant bleibt, sondern auch direkt zu realen Ergebnissen in Technik und Produktion beiträgt.

Erzählen Sie uns von Ihrem Schwerpunkt auf der Anwendung von HPC und KI im Verbunddesign und warum dieser Bereich in der Ingenieurwelt besonders wichtig ist?

Die Lösung der Interpretierbarkeitsprobleme ist besonders wichtig bei Werkstoff- und Teileanwendungen wie Verbundschraubverbindungen, die aufgrund ihres besseren Festigkeits-Gewichts-Verhältnisses in Branchen wie der Luft- und Raumfahrt und der Automobilindustrie immer beliebter werden. Diese Verbindungen sind jedoch komplex, und bestehende umfassende Konstruktionsstandards sind oft unzureichend oder gar nicht vorhanden. High-Performance Computing (HPC) und KI sind unerlässlich, um komplexe, hochpräzise Simulationen effizient durchzuführen und rechenintensive Anforderungen, viele Iterationen und verschiedene Konstruktionsszenarien zu bewältigen, um in einem angemessenen Zeitrahmen genaue Vorhersagen zu erhalten.

Unsere Arbeit zielt darauf ab, dies durch symbolische Regression zu überwinden, insbesondere PySR (Python Symbolische Regression), um aus hochpräzisen Simulationsdaten explizite, interpretierbare Gleichungen abzuleiten. Diese Gleichungen enthüllen die zugrunde liegende Physik und die Mechanik von Verbundstrukturen. Dieser Ansatz bietet nicht nur eine hohe Vorhersagegenauigkeit, sondern auch Transparenz, die es Ingenieuren ermöglicht, zu verstehen warum ein bestimmtes Design funktioniert auf eine bestimmte Art und Weise. Diese Interpretierbarkeit ist entscheidend für Vertrauen, Validierung und letztendlich für die Entwicklung robusterer und zuverlässigerer Designs, insbesondere bei sicherheitskritischen Anwendungen, bei denen das Verständnis der Fehlermechanismen von größter Bedeutung ist.

Wie werden diese Materialfortschritte in verschiedenen Branchen angewendet?

Verbundwerkstoffe und faserverstärkte Kunststoffe (FVK) finden aufgrund ihrer hervorragenden Eigenschaften in zahlreichen Branchen breite Anwendung. In der Luft- und Raumfahrt spielen sie eine entscheidende Rolle bei der Gewichtsreduzierung und kommen in Strukturkomponenten von Flugzeugen wie dem Airbus A350 XWB und dem Boeing 787 Dreamliner sowie in Triebwerksteilen wie denen der LEAP-Triebwerke zum Einsatz, die häufig mit Verbundwerkstoff-Verbindungselementen befestigt werden. Die Automobilindustrie nutzt Verbundwerkstoffe zur Leistungssteigerung und Kraftstoffeffizienz und integriert sie in Hochleistungsfahrzeugen wie der BMW i-Reihe, dem BMW 7er und dem Audi R8 e-tron für Komponenten wie Karosserieteile und Fahrgestelle. In der Schifffahrtsindustrie werden FVK in Propellerkonstruktionen eingesetzt, wie in Projekten wie „FabHeli“ zu sehen ist, sowie für Spezialprodukte wie Rohrverbindungen, Flansche, Düsenplatten und Stützringe. Die Bauindustrie profitiert von diesen Materialien bei Infrastrukturprojekten. Beispiele hierfür sind Brücken, bei denen FVK-Träger mithilfe von Schraubverbindungen mit Betonplatten verbunden werden, was ihre Anwendung im modernen Brückenbau verdeutlicht.

Erläutern Sie uns Ihren Ansatz zur KI, insbesondere wie Sie Daten generieren und Ihre Modelle validieren und wie Rescale in diesen Prozess passt.

Unsere Methodik ist umfassend und integriert experimentelle Tests, Finite-Elemente-Modellierung (FEM) und maschinelles Lernen. Wir beginnen mit der Herstellung und experimentellen Prüfung hybrider L-Gelenke, um ihre Schadensbeginnlasten zu bestimmen. Diese physikalischen Tests sind entscheidend für die Generierung realer Daten und, was noch wichtiger ist, für die Validierung unserer Finite-Elemente-Modelle, die hauptsächlich in AbaqusDiese experimentelle Validierung gewährleistet die Genauigkeit und Zuverlässigkeit unserer FEM-Simulationen. Der Validierungsprozess erfordert umfangreiche Simulationen, um die Strafsteifigkeitskoeffizienten so anzupassen, dass Beginn und Verlauf der Delamination genau erfasst werden. Dieser Aufwand wurde durch die skalierbare HPC-Plattform von Rescale deutlich beschleunigt.

Nach der Validierung werden diese FEA-Modelle zu einem leistungsstarken Werkzeug für die Generierung großer, hochwertiger Datensätze. Wir verwenden einen Design of Experiments (DoE), um den Designraum systematisch zu erkunden und einen umfassenden Datensatz zu erstellen. Hier ist Rescale erneut unverzichtbar. Die Ausführung komplexer Finite-Elemente-Simulationen, insbesondere zur Generierung umfangreicher Datensätze, erfordert erhebliche Rechenleistung und Skalierbarkeit. Rescale ermöglicht uns die effiziente Ausführung dieser ABAQUS-Aufgaben und die bedarfsgerechte Skalierung unseres Rechenbedarfs. Die Möglichkeit, diese Simulationen von überall aus auszuführen, gepaart mit der nahtlosen Integration von Rescale in unsere akademischen Ziele, hat unseren Datengenerierungsprozess dramatisch beschleunigt.

Nach der Datengenerierung verwenden wir Merkmalsauswahl um die wichtigsten Parameter zu identifizieren, die die Gelenkleistung beeinflussen. Machine-Learning-Modelle bewerten anschließend die Qualität des Datensatzes und leiten die Auswahl der PySR-Verlustfunktion. Schließlich nutzen wir PySR, um interpretierbare Designgleichungen aus den FEM-generierten Datensätzen abzuleiten. Rescale unterstützt zudem das Training unseres KI-Modells und stellt das notwendige rechnerische Rückgrat für diese fortgeschrittenen Analysen bereit.

Vor der Einführung von Rescale mussten Sie sich mit einigen Herausforderungen bei Ihrer Forschung oder Ihren typischen technischen Design-Workflows auseinandersetzen?

Vor Rescale war unser Arbeitsablauf mit mehreren erheblichen Engpässen konfrontiert, vor allem im Zusammenhang mit Rechenressourcen und Softwareverwaltung. Die Ausführung der für unsere umfangreichen Datensätze erforderlichen groß angelegten Finite-Elemente-Simulationen war auf lokalen Rechnern oder sogar kleineren Clustern unglaublich zeitaufwändig. Dies begrenzte die Anzahl der Designvarianten, die wir untersuchen konnten, und verlängerte unsere Forschungszyklen erheblich. Herausforderungen bestanden außerdem bei der Verwaltung verschiedener Softwarelizenzen, der Sicherstellung der Kompatibilität zwischen verschiedenen Tools und dem Umgang mit Hardwareeinschränkungen. Die Einrichtung und Konfiguration jeder Simulationsumgebung konnte mühsam sein, sodass wertvolle Zeit für IT-Overhead statt für die Kernforschung aufgewendet wurde. Im Wesentlichen waren die reine Rechenleistung und der einfache Zugriff darauf große Einschränkungen, die unseren Fortschritt verlangsamten und den Umfang unserer Untersuchungen einschränkten.

Wie hat Rescale Ihnen geholfen, diese Herausforderungen zu meistern und Ihre Forschung zu verbessern?

Rescale hat für uns bahnbrechend viel bewirkt. Die wichtigsten Verbesserungen waren Skalierbarkeit und Effizienz. Da die Plattform On-Demand-Zugriff auf Hochleistungsrechner bietet, können wir nun Hunderte oder sogar Tausende von Simulationen parallel ausführen und so unsere Forschungsziele drastisch beschleunigen. Die Anzahl der FEM-Simulationen zur Feinabstimmung der Penalty-Steifigkeit, Validierung und Generierung des Trainingsdatensatzes beträgt nicht weniger als 500 Simulationen und für das Training von ML-Modellen auf dem Datensatz sind es rund 200 Versuche. Was früher Wochen oder Monate dauerte, ist jetzt in Tagen erledigt. Diese unglaubliche Beschleunigung ermöglicht es uns, einen viel größeren Designraum zu erkunden, was zu robusteren und allgemeiner interpretierbaren Gleichungen führt.

Neben der reinen Rechenleistung waren Rescales intuitives Design und die Integration mit vielen unserer bestehenden Softwarelösungen von unschätzbarem Wert. Wir verbringen keinen übermäßigen Zeitaufwand mehr mit der Einrichtung der Infrastruktur oder der Behebung von Softwarekonflikten. Auch die kooperative Unterstützung durch das Rescale-Team war hervorragend und gab uns bei Bedarf wertvolle Unterstützung. Die Kombination aus leistungsstarken technischen Möglichkeiten und akademischer Benutzerfreundlichkeit, einschließlich der Berücksichtigung von Lizenzkompatibilität und Kostenkontrolle, ermöglichte es uns, uns stärker auf die wissenschaftlichen Herausforderungen und weniger auf den Rechenaufwand zu konzentrieren, was sich direkt in deutlichen Effizienzsteigerungen und höheren Forschungsergebnissen niederschlug.

Welche Trends erwarten Sie in den Materialwissenschaften und im technischen Design, insbesondere im Zusammenhang mit KI und Simulation, für die Zukunft?

Die Zukunft der Materialwissenschaften und des technischen Designs wird zweifellos durch die stärkere Integration von KI und fortschrittlicher Simulation geprägt sein. Wir bewegen uns auf ein Paradigma zu, in dem KI nicht nur ein Analysewerkzeug, sondern ein integraler Bestandteil des Designprozesses selbst ist und generatives Design und eine beschleunigte Materialforschung ermöglicht. Ich sehe eine zunehmende Bedeutung von „digitalen Zwillingen“ voraus, bei denen hochpräzise Simulationen virtuelle Nachbildungen physischer Systeme erstellen, die kontinuierlich optimiert und mit realen Daten aktualisiert werden.

Auch das Streben nach interpretierbarer KI, wie unsere Forschung zeigt, wird immer wichtiger. Angesichts zunehmender Komplexität von KI-Modellen wird das Verständnis ihrer Entscheidungen, insbesondere in regulierten Branchen, von größter Bedeutung sein. Darüber hinaus wird die Kombination fortschrittlicher experimenteller Techniken mit datenbasierter Modellierung zu beispiellosen Erkenntnissen über das Materialverhalten auf verschiedenen Skalen führen. Hochleistungs-Rechenplattformen wie Rescale bilden das Rückgrat dieser Trends und ermöglichen die umfangreichen Simulationen und die Datenverarbeitung, die für diese Design- und Entdeckungs-Workflows der nächsten Generation erforderlich sind.

Welchen Rat würden Sie anderen Forschern aus Wissenschaft und Hochschulbildung geben, die erwägen, HPC-Lösungen für ihre Arbeit einzusetzen?

Mein wichtigster Ratschlag wäre, nach Plattformen zu suchen, die ein Gleichgewicht zwischen technischer Leistungsfähigkeit und akademischer Flexibilität bieten. Reine Leistung ist sicherlich wichtig, aber nicht der einzige Faktor. Für akademische Forscher sind Aspekte wie Lizenzkompatibilität, Kostenkontrolle und einfache Einarbeitung ebenso entscheidend. Sie benötigen eine Lösung, die Ihren Rechenbedarf skalieren kann, ohne dass Ihre Studierenden und Forschungsteams hohe Kosten oder steile Lernkurven haben – hier hat uns Rescale überzeugt. Suchen Sie nach Plattformen, die zuverlässigen Support, verständliche Dokumentation und Beispiele für gängige akademische Software und Arbeitsabläufe bieten. Das Erlernen von Programmiersprachen ist auch für die Anpassung von Simulationen und das Training von Machine-Learning-Modellen unerlässlich, da es Forschern ermöglicht, das volle Potenzial dieser HPC-Umgebungen auszuschöpfen.

Abschließend: Was denken Sie insgesamt über die Verwendung der Rescale-Plattform für Ihre Forschung und was geben Sie uns Feedback?

Insgesamt ist mein Feedback zur Rescale-Plattform äußerst positiv. Die intuitive Benutzeroberfläche und die Funktionen sind optimal auf unsere Forschungsziele abgestimmt. Besonders schätze ich die Möglichkeit, Simulationen von überall aus durchzuführen, was unserem Team enorme Flexibilität bietet. Auch die kooperative Unterstützung durch das Rescale-Team war hervorragend und hat uns bei Bedarf schnell und hilfreich geholfen.

Wenn ich Bereiche für weitere Verbesserungen vorschlagen müsste, würde ich sagen, dass mehr Anleitungen zu erweiterten Arbeitsabläufen wie der Versuchsplanung und Befehlszeilentipps für verschiedene Software innerhalb von Rescale für neue Benutzer hilfreich sein könnten. Dies sind jedoch nur Kleinigkeiten in einer ansonsten hervorragenden Erfahrung. Rescale hat sich als unschätzbar wertvoll für die Beschleunigung unserer Forschung erwiesen und es uns ermöglicht, die Grenzen des interpretierbaren maschinellen Lernens im technischen Design zu erweitern und letztendlich unsere Ergebnisse effizienter zu veröffentlichen.

Erfahren Sie mehr über Rescale für Hochschulbildung und Industrie

Wenn Sie Interesse an flexiblen Ressourcen für Forschungs- oder Ingenieurprojekte haben, Kontakt aufnehmen Erfahren Sie, wie Sie verschiedene Hard- und Software für KI- und HPC-Anwendungen einfach einsetzen können. Weitere Informationen zu Dr. Sherifs in Nature veröffentlichter Arbeit finden Sie unter Integration von maschinellem Lernen und symbolischer Regression zur Vorhersage der Schadensinitiierung in hybriden FRP-Schraubverbindungen.