Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI
Engineering-Intelligenz jenseits generativer KI
Die jüngsten Erfolge generativer Künstlicher Intelligenz (KI) zeigen, wie leistungsfähig datengetriebene Modelle bei Bildern und Texten sind. In der Industrie braucht es jedoch Systeme, die Ingenieurwissen unterstützen. Nur Inhalte zu generieren, reicht dort nicht aus. Im Geschäftsfeld werden daher KI-Methoden für Ingenieursaufgaben entwickelt. Sie verbinden auch kleine experimentelle Datensätze mit Expertenwissen, etwa in Form von Präferenzen. Zudem binden sie physikbasierte Simulationen ein. So entstehen lernende Systeme, die viele Entwurfsaufgaben lösen.
Ein zentrales Paradigma ist das Inverse Design. Dabei entwickeln lernende Systeme Entwürfe oder Parameter, die ein gewünschtes Zielverhalten erreichen. Diese Systeme optimieren nicht nur, sondern sie erkunden Zielkonflikte systematisch und zeigen Grenzen des Machbaren auf. So verringern Unternehmen ein Vorgehen nach Versuch-und-Irrtum. Sie planen Experimente gezielter und treffen robuste Entscheidungen unter realen Randbedingungen.
Die Anwendungsfelder umfassen viele unterschiedlichen Skalen und Datenformen. Dazu zählt das Inverse Design von Molekülen und Materialien. Ebenso gehört die datengetriebene Entdeckung von (Meta-)Materialien dazu. Physikalische Vorgaben und Fertigungsgrenzen fließen dabei von Beginn an ein.