Hybride KI – Weniger Daten, bessere Modelle
Zwei Schlagworte sind derzeit in aller Munde: Künstliche Intelligenz (KI) und die Idee des Hybriden, das Verschiedenartiges vereint. Führt man beides zusammen, beschreibt dies einen bisher weitgehend unbekannten Forschungsbereich: Hybride KI. Sie hilft, Antworten auf Fragen zu finden, für die es bisher nur schwer Lösungen gab. IAV kombiniert physikalische Systeme mit Künstlichen Neuronalen Netzen (KNN) und erzielt hervorragende Ergebnisse – nicht nur im Automotive-Bereich.
«Wir reichern unsere Modelle mit Expertenwissen an, so erreichen wir mit der gleichen Menge an Daten bessere Modelle oder mit weniger Daten sehr gute Modelle.»
— Research Engineer im IAV-Lab und am DFKI
Besser generalisieren
„KI hat jedoch das Kernproblem, dass Daten die Realität nur unter gewissen Bedingungen abbilden können“, erklärt Kruschel. „Das hat zur Folge, dass die Datenlage häufig nicht ausreicht, um gut zu generalisieren.“ Generalisieren bedeutet, dass das Netz komplett neue Daten aus dem gleichen Anwendungsbereich erhält, die aber ein anderes Szenario beschreiben. Hybride KI liefert hierfür einen Lösungsansatz. Der Begriff „hybrid“ bedeutet „gekreuzt, vermischt“. Konkret heißt das: „Wir reichern unsere Modelle mit Expertenwissen an“, erläutert Ferdinand Küsters, Research Engineer im IAV-Lab und am DFKI. „So erreichen wir mit der gleichen Menge an Daten bessere Modelle oder mit weniger Daten sehr gute Modelle.“ Kann das Netz auf Strukturinformationen oder, anders ausgedrückt, auf eine physikbasierte Datenvorverarbeitung zugreifen, performt das Modell zudem besser auf neuen Daten.
Best of Both Worlds: Regelungstechnik und Künstliche Intelligenz
Eine Vorauswahl der Eingangsgrößen ist die einfachste Art, Expertenwissen in ein Modell zu integrieren. Dieses Verfahren ist längst Standard bei der datenbasierten Modellierung. Der Ansatz der Hybriden KI geht darüber hinaus: Hier werden physikalische Modelle direkt in das datengetriebene Modell integriert und mit KI-Unterstützung adaptiert. Somit können schnell neue Komponenten entwickelt werden, beispielsweise für den Digital Twin. In der Reglerauslegung kombiniert IAV in einem mehrstufigen Verfahren Neuronale Netze und Differentialgleichungen – mit dem Ergebnis, dass die damit ausgelegten Regler besser generalisieren als klassische Neuronale Netze. Hilfreich ist ein solcher Ansatz auch zum Beispiel bei rechenaufwendigen Strömungssimulationen. Küsters erklärt: „Das Problem wurde mit NeuralODEs gelöst, einer recht neuen Form von Neuronalen Netzen, die intern Differentialgleichungen zur Modellierung nutzen.“ Deshalb sind sie für physikalische Prozesse gut geeignet.
Mit hybrider KI finden IAV-Spezialisten für Probleme auf fast allen Gebieten immer schneller die besten Lösungen, wie Kruschel erläutert. Küsters beschreibt es genauer: „Bringt man zum Beispiel die Struktur eines Roboters ein, also Informationen über seinen groben Aufbau, erreicht man schneller eine höhere Genauigkeit.“ Das gilt natürlich auch im Automotive-Bereich, wo die Kern-Expertise von IAV liegt: Das eingangs erwähnte Problem mit dem prädizierten Zylinderdruck ist längst gelöst – der hybriden KI sei Dank.
Der Artikel erschien in der automotion 03/2020, dem Automotive Engineering-Fachmagazin von IAV. Hier können Sie die automotion kostenfrei bestellen.
