Motivation
Egal ob energiesparender Kühlschrank, smarte Fahrzeugkonzepte oder fliegende Autos: Die Ingenieure herausragender Produkte benötigen gute Ingenieurssoftware, um agil und effizient zu entwickeln. Wenn man beispielsweise Simulationen in die Produktentwicklung integriert, beschleunigt dies die Entwicklung, reduziert damit ihre Kosten und verbessert Qualität und Lebensdauer der Produkte. Solche Simulationsprozesse zu entwickeln, auszuführen und zu interpretieren, erfordert bisher zeitintensive manuelle Routinetätigkeiten. Eine besonders aufwändige Tätigkeit stellt dabei die sogenannte Vernetzung dar. Dabei wird der Simulationsbereich in kleine Polyederzellen, also von Vielecken begrenzte Körper, zerlegt. Um prognosesichere und effiziente Rechennetze zu erzeugen, ist ein hohes Maß manueller Arbeit erforderlich. Aus Kostengründen wird diese Tätigkeit vermehrt nach Asien oder Osteuropa ausgelagert. Besonders recheneffizient ist die Verwendung von Rechennetzen auf Basis von Hexaedern (Körper mit sechs Begrenzungsflächen). Die automatische Erzeugung solcher Netze war bisher noch Teil der Grundlagenforschung und nicht in industrienahen Produkten verfügbar.
Ziele und Vorgehen
Ziel des Projektes ist die Entwicklung einer neuartigen KI-Assistenz, die Hexaedernetze effizient generiert. Mit einem solchen Ansatz könnte der Zeitaufwand für die Durchführung von Simulationen in vielen Automobil-, Medizintechnik- und Maschinenbauanwendungen mindestens halbiert werden. Indem Routinetätigkeiten reduziert werden, können sich Ingenieure besser auf wertschöpfende Tätigkeiten konzentrieren. So wird die Wettbewerbsfähigkeit kleinerer Ingenieursdienstleister in Deutschland stark erhöht. Es ist zu erwarten, dass einige der nach Osteuropa und Asien ausgelagerten Tätigkeiten wieder verstärkt in Deutschland durchgeführt werden können. Dies wird nicht nur Arbeitsplätze, sondern auch wichtiges ingenieurtechnisches Wissen um Konzepte, Prozesse und Daten in Deutschland erhalten.
Innovationen und Perspektiven
Aktuelle Ergebnisse im Bereich der maschinellen Lernverfahren (ML) ermöglichen jedoch eine völlig neue Lösungsmöglichkeit für die Vernetzung: Beim Deep Learning (DL) werden künstliche neuronale Netze mit zahlreichen Zwischenschichten eingesetzt, die ein Verständnis des jeweils relevanten Kontextes erlernen, indem sie kompliziertere Sachverhalte aus einfacheren Konzepten zusammensetzen. Auf diese Weise können bisher manuell durchgeführte Prozessschritte datengetrieben eingelernt und automatisiert werden.