Die Forschung zeigt, dass Deep-Learning-Modelle physikalische Prozesse über lange Zeiträume hinweg realitätsgetreu abbilden können. Zudem sind die Forscher in der Lage, über verschiedene Simulationsparameter und Geometrien hinweg zu verallgemeinern. Das Team strebt schnelle Echtzeit-Simulationen an, plant den Aufbau von Foundation Models für Industriekunden und fokussiert sich im nächsten Schritt auf die Generalisierung von Simulationen. Wie das gehen soll, erklärt er im Januar auf unserer KI in der Industrie Konferenz (LINK)

Discrete Element Methods (DEMs) sind industrieller Standard in der Simulation von granularen Strömungen und der Pulver-Simulationen. Darüber hinaus spielt die numerische Berechnungsmethode von Partikeln auch bei der Simulation chemischer Prozesse eine große Rolle. Doch DEMs haben Nachteile: Sie sind rechenintensiv und oft komplex zu kalibrieren. Das NXAI- und das JKU Linz-Research-Team um Johannes Brandstetter führen neuronale Netze und DEMs in ihrem Modell NeuralDEM zusammen und versprechen schnellere Simulationen, Parameter-Optimierung und industrielle Simulationen in Echtzeit.

Grundlage für die jüngsten Forschungserfolge ist die NXAI Architektur der Universal Physics Transformers (UPT). Dabei handelt es sich um eine Methode, neuronale Netzwerke so zu verbessern, dass sie schneller, effizienter und sehr große Mengen an Daten verarbeiten können und die Physik in einer abstrakten, komprimierten Darstellung der physikalischen Welt lernen. „Informationen zu kodieren und dann zu dekodieren ist die Herausforderung“, erklärt Benedikt Alkin aus dem NXAI-Forscherteam. UPTs sind nicht auf traditionelle Ansätze wie Gitterstrukturen (zum Beispiel bei Strömungssimulationen) oder Teilchenmodelle angewiesen. „UPTs können auf unterschiedlichste Simulationen angewendet werden“, ergänzt NXAI-Kollege Tobias Kronlachner.

„KI und insbesondere neuronale Netze sind spätestens jetzt in der Simulationswelt angekommen. Unser neuronales Netz lernt dank UPT die Physik und wir beweisen, dass unsere AI based Simulationen die Physik zuverlässig erlernen und dann auch wieder abbilden. Das ist das entscheidende Kriterium für die Akzeptanz in der industriellen Anwendung“, unterstreicht Brandstetter.

Seit über einem Jahr arbeitete das NXAI-Team an dem Modell. Die Linzer haben sich mit Prof. Dr. Stefan Pirker von der JKU Linz, Thomas Lichtenegger und Tobias Kronlachner drei Domänenexperten ins Team geholt. Im Deep-Learning gab es Unterstützung von Samuele Papa aus dem KI-Powerhouse Amsterdam. Die Forscher demonstrieren die Leistungsfähigkeit des Modells in verschiedenen Transportprozessen, darunter Masse, Spezies und Verweilzeit. Sie visualisieren dies in drei Szenarien: dem Entleeren und Nachfüllen von Silos mit variierenden Ausströmwinkeln sowie Wirbelschichten mit unterschiedlichen Anströmgeschwindigkeiten. Das Modell erzeugte originalgetreue physikalische Simulationen. Das größte NeuralDEM-Modell ist in der Lage, gekoppelte CFD-DEM-Wirbelschichtreaktoren mit 160k CFD-Zellen und 500k DEM-Partikeln für Trajektorien von 28s, d.h. 2800 ML-Zeitschritten, originalgetreu zu modellieren.

Was Brandstetter und sein Team mit den Ergebnissen machen wollen, welche Industrien sie fokussieren und welche Ideen die Österreicher noch haben, verrät Brandstetter auf unserem Kongress KI in der Industrie am 22. Januar in Frankfurt.