Künstliche Intelligenz (KI) und maschinelles Lernen (ML) entwickeln sich rasant weiter und zeigen in verschiedenen Bereichen, einschließlich der Luftfahrt, transformatives Potenzial mit Erfolgen bei Flugvorhersageaufgaben, fortschrittlichem Flugzeugdesign und prädiktiver Wartung. Sie stehen jedoch vor Herausforderungen hinsichtlich Datenqualität, Erklärbarkeit und Rechenanforderungen. Zudem ist die Fähigkeit essenziell, das Gelernte auf diverse reale Szenarien übertragen zu können.

Bauhaus Luftfahrt hat neue KI-Technologien analysiert, die hohes Potenzial zur Bewältigung dieser Hürden haben. Generative KI ermöglicht es, realistische Datenbeispiele zu erstellen, und verbessert so die Datenqualität, während Transformers die Interpretierbarkeit, Skalierbarkeit und Generalisierung verbessern. Ihre Fähigkeit, große multimodale Datensätze zu verarbeiten, Domänenwissen zu integrieren und unbekannte Aufgaben durch semantisches Verständnis präzise zu lösen, setzt Leistungsmaßstäbe in einem wachsenden Spektrum von Anwendungen über Produktion und Wartung hinaus.

Zudem integriert Physik-informiertes ML physikalische Prinzipien und Daten in ML-Modelle, verbessert die Zuverlässigkeit und Interpretierbarkeit und reduziert den Datenbedarf, da interne Beziehungen physikalische Gesetze replizieren (vgl. Abb. 1). Dieser Ansatz löst effizient komplexe multiphysikalische Probleme, wie die Optimierung aerodynamischer Leistung und das Design
von Elektromotoren oder Wärmetauschern, und erzielt robuste Vorhersagen selbst bei unvollständiger Kenntnis physikalischer Gesetze.

Im Vergleich zu traditionellen netzbasierten Simulationen ermöglicht diese Technologie eine erhebliche Reduktion von Rechenaufwand und Zeit bis hin zur Echtzeitverarbeitung mit mindestens ähnlicher Genauigkeit (vgl. Abb. 2). Sie eröffnet großes Potenzial für das Generative Design, indem sie effizient die Erzeugung optimierter Entwürfe in umfangreichen Designräumen ermöglicht, auch wenn traditionelle High-Fidelity-Simulationen nicht realisierbar sind.

Physik-informiertes neuronales Netzwerktraining für Optimierungsaufgaben

Zum Beispiel ermöglicht dieses Training innerhalb des Generativen Designs, den Luftstrom um ein Tragflächenprofil an jedem neuen Domänenpunkt ohne Netz zu approximieren – und verbessert gleichzeitig seine Parameter für ein optimales Auftriebs Widerstands-Verhältnis mit adaptiver Abtastung in fehleranfälligen Bereichen, um die Genauigkeit zu erhöhen.

Anwendungs-Benchmarks – relative Fehlerdifferenz und Laufzeitbeschleunigung

Physik-informiertes ML beschleunigt komplexe Physiksimulationen über traditionelle numerische sowie ML -basierte Methoden hinaus und erreicht mindestens ähnliche Genauigkeit, mit erheblichem Potenzial für die Erkundung des Designraums und Generatives Design.