PIAD: Physik-informierte Anomalieerkennung
- Laufzeit: 01.11.2024 - 31.10.2027
Zuwendungsgeber: BMBF
Prof. Dr. Marius Kloft
Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau
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 er-möglichen 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 ab-weichen. 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 wer-den 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 so-gar 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.
https://www.softwaresysteme.dlr-pt.de/de/machine-learning-modelle.php
KI-Schwerpunktfelder des Forschungsprojekts
Grundlagenforschung
- Machine Learning (ML): Unsupervised Learning, Anomaly Detection
- Technologieanalyse: Wirtschaftliche Auswirkungen, Mensch-KI-Interaktion