Motivation
In den letzten Jahren wurden enorme Fortschritte im Bereich der Künstlichen Intelligenz (KI) erzielt. Neue Methoden unterstützen die Menschen bei ihren täglichen und beruflichen Aufgaben und ermöglichen eine Automatisierung vieler Vorgänge, die zuvor anstrengende manuelle Arbeit erforderten. Ein besonders wichtiges Anwendungsgebiet für die KI ist dabei die Anomalieerkennung, das bedeutet, Daten zu identifizieren, die von der Norm abweichen. Beispiele dafür sind Mutationen in der Virologie, Betrugsfälle im Finanzwesen oder fehlerhafte Komponenten in der industriellen Fertigung. Jedoch sind aktuelle Anomaliedetektoren auf Anwendungen limitiert, bei denen enorme Mengen an Trainingsdaten zur Verfügung stehen. Genau hier setzt das Forschungsvorhaben PIAD an.
Ziele und Vorgehen
Das Ziel ist die Entwicklung einer neuartigen physik-informierten KI für Bereiche, die keine große verfügbare Datenbasis aufweisen, wie der im Projekt verfolgte Anwendungsfall des Laserstrahlschmelzens. Physik-informiert bedeutet, dass physikalischen Wissen und Regeln in die KI eingearbeitet werden. Dabei wird auf modernste neuronale Erkennungsalgorithmen aufgebaut, die kürzlich die Fehlerraten drastisch reduzieren konnten. Es werden Modellarchitekturen entwickelt, die gezielt Informationen aus der Datendomäne einarbeiten, um die Dateneffizienz weiter zu steigern. Es werden Methoden entwickelt, die die vorhandenen Trainingsdaten ausbauen und verbessern sollen. Die prototypische Anwendung wird beispielhaft in der additiven Fertigung, insbesondere in der effizienten Prozessüberwachung, evaluiert.
Innovationen und Perspektiven
Der Einsatz von Anomalieerkennungssystemen kann die Dateneffizienz erheblich steigern und sogar Katastrophen verhindern, indem beispielsweise bei Produktionsprozessen ungewöhnliche Hitzeentwicklungen in Fabriken erkannt werden. Eine erfolgreiche Anwendung in der additiven Fertigung würde das Potenzial dieser Technologie in der Praxis demonstrieren. Ein Projekterfolg würde damit auch einen Durchbruch in der Grundlagenforschung bedeuten, indem KI-gestützte Anomalieerkennung auch in datenarmen Bereichen flexibel, resilient und praktikabel wird.