Leitfaden / Industrielle KI
Physics-Informed Neural Networks: Wo PINNs der Industrie helfen
In einer Anlage lässt sich die Oberflächentemperatur messen. Der Zustand im Inneren bleibt schwer zugänglich. Gleichzeitig liegen Gleichungen vor, die den Wärmetransport beschreiben. Diese Kombination aus begrenzten Messdaten und physikalischem Wissen ist ein sinnvoller Ausgangspunkt, um Physics-Informed Neural Networks zu prüfen.
Ein Physics-Informed Neural Network, kurz PINN, berücksichtigt physikalische Beziehungen im Lernverfahren. Neben der Übereinstimmung mit Messdaten können beispielsweise Abweichungen von einer Differentialgleichung sowie Anfangs- und Randbedingungen in die Trainingsaufgabe eingehen. „Physics-informed“ beschreibt die Methode, nicht den Nachweis einer korrekten industriellen Lösung.
Wie ein PINN arbeitet
Ein neuronales Netz approximiert eine gesuchte Größe, etwa Temperatur abhängig von Ort und Zeit. Ableitungen dieser Approximation werden genutzt, um die Verletzung der zugrunde gelegten Gleichung zu berechnen. Das Training versucht, diese Verletzung und weitere Fehler gemeinsam zu verringern.
Die Grundlagenarbeit von Raissi und Kollegen beschreibt physikinformiertes Lernen für nichtlineare partielle Differentialgleichungen. Für einen konkreten Einsatz müssen Gleichung, Koeffizienten und Bedingungen zum realen System passen. Eine falsche Modellannahme wird durch das Lernverfahren nicht richtig.
Die Gewichtung der verschiedenen Fehlerterme ist eine praktische Herausforderung. Eine gute Anpassung an wenige Messpunkte kann mit einer schlechten Lösung an anderen Stellen einhergehen. Umgekehrt kann ein kleiner Gleichungsfehler allein die Übereinstimmung mit realen Beobachtungen nicht belegen.
Vorwärtsproblem oder inverses Problem?
Beim Vorwärtsproblem sind Modell und Parameter vorgegeben, und die gesuchte Lösung wird berechnet. Beim inversen Problem werden unbekannte Parameter oder Zustände aus Beobachtungen erschlossen. Diese Unterscheidung hilft, den Nutzen eines PINNs realistisch zu bewerten.
| Aufgabe | Möglicher Beitrag | Kritische Frage |
|---|---|---|
| Temperaturfeld schätzen | Messpunkte und Wärmegleichung verbinden | Reichen Sensorik und Randbedingungen aus? |
| Unbekannten Parameter bestimmen | Modellparameter aus Beobachtungen ableiten | Ist der Parameter aus den Daten eindeutig identifizierbar? |
| Strömungsverhalten approximieren | Physikalische Beziehungen beim Lernen berücksichtigen | Werden relevante Regime und Grenzen erfasst? |
| Bestehenden Solver ersetzen | Alternative Berechnung prüfen | Ist sie wirklich genauer, schneller oder einfacher? |
Für ein einzelnes gut verstandenes Vorwärtsproblem kann ein etablierter numerischer Solver deutlich zweckmäßiger sein. Vergleichen Sie gegen das vorhandene Verfahren, bevor Sie das Lernproblem aufwendig optimieren.
Industrielle Anwendungen: Wärme, Strömung und Struktur
Die technische Einführung von MathWorks nennt Wärmeübertragung, Strömungsmechanik und Strukturmechanik als Anwendungsfelder. Dabei geht es um berechenbare Größen wie Temperatur, Druck oder Verformung und um unbekannte Parameter, die aus Beobachtungen erschlossen werden sollen.
Für einen industriellen Pilot lassen sich daraus unterschiedliche Aufgaben formulieren: einen thermischen Materialparameter aus Messreihen schätzen, ein Strömungsfeld unter definierten Randbedingungen rekonstruieren oder das Verformungsverhalten einer Baugruppe untersuchen. Entscheidend ist jeweils, ob die verfügbaren Daten die gesuchte Größe überhaupt bestimmen können. Ein Modell für Wärmeübertragung ist nicht automatisch für eine andere Geometrie oder einen anderen Lastbereich geeignet.
Beginnen Sie mit einer einzelnen Größe und einem belastbaren Referenzverfahren. Der Nutzen kann in zusätzlicher Information zwischen Messstellen liegen; ein Geschwindigkeitsvorteil muss separat gemessen werden. Diese Aufgaben sind Auswahlbeispiele, keine Aussage über bereits erzielte Welf-Projektergebnisse.
Wann PINNs scheitern können
Die Untersuchung Characterizing possible failure modes in physics-informed neural networks zeigt, dass das Training bei bestimmten Problemen Schwierigkeiten haben kann. Physikalische Terme in der Zielfunktion beseitigen Optimierungsprobleme also nicht automatisch.
Für das Engineering ergeben sich daraus konkrete Prüfaufgaben. Untersuchen Sie verschiedene Initialisierungen und Trainingsläufe. Prüfen Sie Randbereiche und lokale Fehler, nicht nur den gemittelten Trainingsverlust. Ändern Sie relevante Problemparameter innerhalb des vorgesehenen Einsatzbereichs.
Ein weiterer Grenzfall ist mangelnde Identifizierbarkeit. Unterschiedliche Parameterkombinationen können dieselben beobachteten Messwerte erklären. Dann kann das Modell einen plausiblen Parameter ausgeben, ohne dass die Daten ihn eindeutig bestimmen. Zusätzliche Messungen oder ein enger begründetes Modell können wichtiger sein als weiteres Training.
Beispiel: einen thermischen Parameter schätzen
Das folgende Szenario ist ein Prüfentwurf. Eine Baugruppe wird unter bekannten Lasten aufgeheizt und abgekühlt. Das Team möchte einen wirksamen Wärmeübergangsparameter schätzen, um Temperaturverläufe besser vorherzusagen.
Zuerst werden Einheiten, Sensorverzögerung, Lastverlauf und mögliche Wärmewege geprüft. Danach wird ein einfacher Schätzansatz mit dem PINN verglichen. Ein separater Lastverlauf bleibt vollständig für den Test reserviert. Die Schätzung wird anschließend an diesem Verlauf bewertet.
Falls mehrere Parameterwerte ähnlich gut passen, sollte die Ausgabe diese Unsicherheit zeigen. Ein einzelner Wert mit vielen Dezimalstellen wäre nicht gerechtfertigt. Auch Änderungen der Umgebung oder des Aufbaus können die Gültigkeit begrenzen.
PINN, Surrogat und Neural Operator sind nicht dasselbe
Ein Surrogatmodell approximiert ein aufwendigeres Verfahren für einen vorgesehenen Bereich. Es kann rein datenbasiert sein. Ein PINN bezieht physikalische Beziehungen in sein Lernen ein. Neural Operators zielen auf Abbildungen zwischen Funktionen. Diese Begriffe beschreiben unterschiedliche Eigenschaften und lassen sich teilweise kombinieren.
Für den Einkauf oder die Projektentscheidung reicht deshalb die Angabe „Physics AI“ nicht. Lassen Sie sich zeigen, was trainiert wird, welche Referenz genutzt wird und wann die Methode keine Antwort liefern soll. Eine fachliche Entscheidungstabelle ist nützlicher als eine Liste von Modellnamen.
Unser Leitfaden zu KI-Surrogatmodellen beschreibt den Fall wiederholter Variantenbewertungen. Ein PINN sollte gewählt werden, weil die physikalische Nebeninformation zur Aufgabe passt, nicht weil es das technisch anspruchsvollere Etikett trägt.
Welche Ergebnisse ein Pilot liefern sollte
Ein nachvollziehbarer Pilot umfasst die Aufgabenformulierung, die verwendeten Gleichungen und Annahmen, Datenherkunft, Referenzverfahren und unabhängige Testfälle. Hinzu kommen Rechenaufwand, Streuung der Ergebnisse und dokumentierte Fehlversuche.
Verlangen Sie eine klare Einsatzgrenze. Wenn ein Modell nur innerhalb eines bestimmten Temperaturbereichs untersucht wurde, darf die Anwendung außerhalb dieses Bereichs nicht dieselbe Sicherheit suggerieren. Ein Rückfall auf das Referenzverfahren kann Teil der Architektur sein.
Welfs Ansatz verbindet die Prüfung einer KI-Methode mit dem späteren Arbeitsablauf und der Übergabe an Ihr Team. Die thermische oder strömungstechnische Referenz muss gemeinsam mit den zuständigen Fachleuten festgelegt werden. Eine physikalische Modellierungsaufgabe besprechen. Der übergreifende Rahmen steht im Beitrag zu KI und digitalen Zwillingen.