Motivation
Der durchschlagende Erfolg großer, generativer Sprachmodelle und darauf aufbauender Nutzerapplikationen, wie z.B. ChatGPT, hat hohe Erwartungen an den zukünftigen Nutzen von Künstlicher Intelligenz (KI) in nahezu allen Lebensbereichen geschürt. Neben unbestrittenen Wertschöpfungspotenzialen bei kreativen, kommunikativen oder textanalytischen Aufgaben, ist noch ungeklärt, ob sich diese KI-Werkzeuge erfolgreich auf wissenschaftlich-technische Problemstellungen oder industrielle Anwendungen übertragen lassen. Hier setzt das Forschungsvorhaben RIESIQ an.
Ziele und Vorgehen
Ziel des Vorhabens ist es, die Defizite von generativen KI-Modellen im Hinblick auf ihre Anwendbarkeit für industrielle Produktionsverfahren zu überwinden. Dazu stehen die Erforschung und Erprobung von robusten und zugleich flexiblen Lernmethoden im Vordergrund. Diese ermöglichen es, komplexe dynamische Systeme und physikalische Vorgänge sowohl hinreichend akkurat zu modellieren als auch intelligent und interpretierbar zu steuern. Der notwendige Ressourcenbedarf während des Trainings und der Bereitstellung resultierender KI-Lösungen soll durch dateneffiziente Algorithmen minimiert werden, um eine nachhaltige und umweltschonende Nutzung auf industrieller Skala zu gewährleisten. Um diese Ziele zu erreichen, werden Schwerpunkte auf eine skalierbare, synergetische Kopplung von Algorithmen und numerischen Simulationsverfahren sowie darauf aufbauende, resiliente und praxistaugliche RL-Verfahren zur Steuerungsoptimierung gelegt.
Innovationen und Perspektiven
Die neu entwickelten KI-Lösungsbausteine sollen anhand automatisierter Produktions- und Qualitätssicherungsprozesse bei der Herstellung von Lithium-Ionen-Batteriezellen prototypisch und praxisnah getestet werden, um somit den Mehrwert für den von KI angetriebenen Transformationsprozess hin zu einer skalierbaren und flexiblen Fabrik der Zukunft aufzuzeigen.