KI in der Simulation: Wann sich ein Surrogatmodell lohnt

Die Konstruktion kann zehn Varianten vorbereiten. Das Simulationsteam kann in derselben Zeit nur zwei gründlich untersuchen. An dieser Stelle kann KI mehr leisten als eine bequemere Bedienoberfläche: Ein trainiertes Ersatzmodell kann geeignete Varianten vorsortieren und die teuren Referenzrechnungen gezielter einsetzen.

Ein Surrogatmodell bildet den Zusammenhang zwischen Eingaben und Ergebnissen einer aufwendigen Berechnung näherungsweise ab. Im Engineering kann es beispielsweise Temperatur, Druckverlust oder Verformung für einen definierten Bereich vorhersagen. Die entscheidende Frage ist, wie zuverlässig diese Näherung die nächste Entwicklungsentscheidung unterstützt.

Was an Physics AI aktuell relevant ist

PhysicsX veröffentlichte am 7. August 2026 PX-Car-Aero-v1 für die Fahrzeug-Aerodynamik. Die Veröffentlichung ist ein Beispiel für die Spezialisierung von KI auf physikalische Engineering-Aufgaben. Sie ist kein Beleg dafür, dass beliebige Geometrien oder Randbedingungen zuverlässig übertragen werden können.

Für Automobilzulieferer und Maschinenbauer ergibt sich daraus eine prüfbare Möglichkeit: vorhandene Simulationsdaten nicht nur archivieren, sondern für wiederholte Variantenbewertungen nutzen. Ob das wirtschaftlich ist, hängt von der Wiederholung der Aufgabe, der Qualität der Referenzdaten und dem akzeptablen Fehler ab.

Drei Ansätze, die Sie unterscheiden sollten

Neural Operators sind eine Klasse lernender Verfahren für Abbildungen zwischen Funktionen. Die Arbeit zum Fourier Neural Operator beschreibt einen solchen Ansatz für parametrisierte partielle Differentialgleichungen. Daraus folgt keine allgemeine Auflösungs- oder Geometrieunabhängigkeit einer konkreten Anwendung. Datenrepräsentation, Randbedingungen und das jeweilige Problem bleiben Teil des Tests.

Ein klassisches Regressionsmodell kann für eine eng begrenzte Kennzahl bereits ausreichend sein. Wählen Sie die zusätzliche Komplexität erst, wenn sie einen nachgewiesenen Vorteil bringt.

Der Datensatz ist ein Engineering-Artefakt

Zu jedem Referenzlauf gehören Geometrieversion, Materialdaten, Randbedingungen, Solverkonfiguration und das Ergebnis. Dokumentieren Sie auch, ob die Rechnung konvergiert ist und welche Qualitätsprüfungen sie bestanden hat. Ein sauberer Dateiname ersetzt diese Angaben nicht.

Unterscheiden Sie zwischen Variationen innerhalb einer Geometriefamilie und einem neuen Konstruktionsprinzip. Das Modell kann bei kleinen Änderungen brauchbar interpolieren und bei einer neuen Form scheitern. Diese Grenze sollte bereits die Aufteilung des Testsatzes bestimmen.

Besonders gefährlich sind Datenlecks: Wenn fast identische Varianten oder Ergebnisse derselben Ausgangsrechnung auf Training und Test verteilt werden, sieht die Übertragbarkeit besser aus, als sie ist. Halten Sie ganze Variantenfamilien zurück, wenn genau diese Übertragung später benötigt wird.

Beispiel: Kühlkanäle einer Baugruppe vergleichen

Als illustratives Szenario soll eine Baugruppe unter wechselnden Lasten gekühlt werden. Die Entwicklungsabteilung variiert Kanalgeometrie und Durchfluss. Gesucht wird eine Variante, die eine Temperaturgrenze einhält und den zulässigen Druckverlust nicht überschreitet.

Das Surrogat bewertet zunächst viele Kandidaten. Die besten zulässigen Kandidaten werden mit der Referenzsimulation nachgerechnet. Ein möglicher Fehler wäre, nur die mittlere Temperatur zu optimieren. Für die Freigabe kann ein lokaler Hotspot entscheidend sein, den diese Kennzahl verdeckt.

Deshalb enthält der Test mindestens drei Fragen: Ist der absolute Fehler tragbar? Werden unzulässige Kandidaten zuverlässig erkannt? Werden gute Kandidaten in der Rangfolge weit genug oben eingeordnet? Diese Prüfungen beantworten unterschiedliche Fragen und sollten nicht in einem einzigen Modellscore verschwinden.

So organisieren Sie den Lern- und Prüfzyklus

1. Zielgrößen, Eingabebereich und technische Grenzen mit dem Fachteam festlegen.
2. Qualifizierte Referenzläufe aufbauen und einen unabhängigen Testsatz reservieren.
3. Ein einfaches Vergleichsmodell und den gewählten KI-Ansatz trainieren.
4. Fehler an relevanten Regionen, Betriebsbereichen und Grenzfällen auswerten.
5. Vorgeschlagene Kandidaten mit dem Referenzverfahren nachprüfen.
6. Neue Referenzdaten gezielt dort ergänzen, wo Unsicherheit die Entscheidung behindert.

Der letzte Schritt wird häufig als Active Learning bezeichnet. Er sollte nicht automatisch jede neue Ausgabe als Lernmaterial übernehmen. Nur geprüfte Referenzen dürfen die nächste Modellversion tragen. Jede Änderung muss erneut gegen den unveränderten Testsatz bewertet werden.

Wann rechnet sich der Aufbau?

Vergleichen Sie einmaligen Aufbau und laufende Pflege mit dem tatsächlichen Arbeitsablauf. Ein nur selten benötigter Berechnungsfall trägt möglicherweise kein eigenes Modell. Eine wiederkehrende Variantenfamilie kann dagegen genügend Wiederverwendung bieten.

Die Rechnung umfasst Referenzsimulationen, Datenaufbereitung, Training, Integration, Nachrechnungen und erneute Validierung. Ein Faktor für schnellere Einzelvorhersagen ist noch kein Faktor für die Geschwindigkeit des gesamten Entwicklungsprozesses.

Definieren Sie ein Abbruchkriterium. Wenn Materialwechsel oder neue Geometrien ständig außerhalb des geprüften Bereichs liegen, kann ein vorhandener Solver die bessere Wahl bleiben. Das Modell soll Entscheidungen erleichtern, nicht einen zusätzlichen Prüfaufwand ohne Gegenwert erzeugen.

Wie Welf den Einsatz einordnet

Welfs Rolle liegt in der Verbindung von KI, Engineering-Daten und dem nutzbaren Arbeitsablauf. Für ein Surrogatvorhaben müssen Ihre Fachleute das Referenzverfahren und die technischen Grenzen mitbestimmen. Die Softwarearchitektur sollte Modellwechsel erlauben und Referenzfälle reproduzierbar halten.

Ein solcher Ansatz kann Teil eines KI-gestützten digitalen Zwillings werden. Wenn Gleichungen direkt in das Lernen einbezogen werden sollen, vertieft der Beitrag zu Physics-Informed Neural Networks die methodischen Unterschiede. Eine wiederkehrende Simulationsaufgabe prüfen.