Forschung
Photo: pixabay
02.07.2021

Künstliche Intelligenz analysiert komplexe Materialien

Max-Planck-Forscher präsentieren neues tiefenneuronales Netz zur Vorhersage des mechanischen Verhaltens von Materialien

Die Vorhersage des mechanischen Verhaltens aller Systeme, die uns umgeben, von Fahrzeugen und Raumschiffen bis hin zu Brücken und Wolkenkratzern, ist für Sicherheit und Design unerlässlich. Seit mehr als 300 Jahren wissen Wissenschaftler*innen, wie man die zugrundeliegende Physik in mathematische Formeln übersetzt. Dank des technologischen Fortschritts wurde eine riesige Sammlung von numerischen Werkzeugen und Methoden entwickelt, um die komplexen Gleichungen computergestützt zu lösen und korrekte Antworten zu verschiedenen mechanischen Problemen vorherzusagen. Das direkte Lösen dieser Gleichungen braucht aber Zeit und wird umso schwieriger, je komplexer das System ist. Deswegen sehen sich Forscher oft dazu gezwungen, Näherungen zu verwenden, anstatt alle Variablen des Systems zu berücksichtigen. Jetzt wurde ein großer Schritt in Richtung genauer und schneller Vorhersagen der Mechanik komplexer Materialien gemacht. Wissenschaftler des Max-Planck-Instituts für Eisenforschung (MPIE) und DeepMetis, einem auf künstliche Intelligenz spezialisierten Unternehmen in Berlin, haben tiefe neuronale Netze eingesetzt, um lokale Spannungen in komplexen Materialien zu berechnen - und das bis zu 8300 Mal schneller als ein Standard-Rechensystem, sogenannte Solver, es tun würde. Ihre neuesten Ergebnisse veröffentlichten sie in der Zeitschrift „npj Computational Materials“.

„Unsere Arbeit zeigt, wie all diese Berechnungen durch maschinelles Lernen ersetzt werden können. Anstatt die Gleichungen direkt zu lösen, haben wir ein neuronales Netzwerk entwickelt, das die Physik erlernen und korrekte Antworten auf komplexe und nichtlineare Fragen der Mechanik vorhersagen kann, indem es sich einfach einen großen Datensatz ansieht.“, erklärt Dr. Jaber Rezaei Mianroodi, Leiter der MPIE-Gruppe „Computational Sustainable Metallurgy“ und Erstautor der Veröffentlichung.

Nachdem das neuronale Netz mit vorberechneten korrekten physikalischen Reaktionen trainiert wurde, ist es in der Lage, Lösungen für Probleme und Konfigurationen vorherzusagen, denen es während des Trainings nie begegnet ist. Ähnlich wie ein erfahrener Ingenieur, der ein Gespür für komplexe mechanische Probleme entwickelt und in der Lage ist, innerhalb von Sekunden fundierte Vermutungen anzustellen, lernt das Netzwerk die zugrunde liegende Physik und sagt Lösungen in Mikrosekunden vorher. Die Vorhersagen des Netzwerks sind trotz der Komplexität des Systems um Größenordnungen schneller als herkömmliche Solver. Im Gegensatz zu konventionellen Solvern, die einen iterativen (Versuch und Irrtum) Ansatz zur Lösung nichtlinearer Probleme erfordern, ist der trainierte maschinelle Solver nicht iterativ.

„Diese Methode kann die herkömmlichen Solver ersetzen und verbessert unser Verständnis von Multiskalen- und Multiphysik-Problemen. Unser Solver verbraucht um Größenordnungen weniger Rechenzeit, was neue Möglichkeiten für innovative Materialmodelle eröffnet. Die Einbeziehung unserer maschinellen Lerntechnik wird uns dabei helfen, die Modelle aussagekräftiger und realistischer zu machen, da sie die Optimierung noch komplizierterer Systeme ermöglicht.“, sagt Dr. Nima Siboni, Experte für künstliche Intelligenz bei DeepMetis und Alumni des MPIE.

Die Forscher werden nun die Flexibilität und den Umfang des maschinellen Lernansatzes erweitern, um noch genauere Vorhersagen zu treffen. Außerdem planen sie, weitere wichtige Gleichungen zu untersuchen, die mit herkömmlichen Methoden nur zeitaufwändig zu lösen wären.

Originalpublikation:
J. R. Mianroodi, N. H. Siboni, D. Raabe: Teaching solid mechanics to artificial intelligence – a fast solver for heterogeneous materials. In: npj Compu Mats, 10.1038/s41524-021-00571-z.

Autoren: J. R. Mianroodi, Y. Ahmed Salem

 

Anhand vieler vorberechneter korrekter Antworten lernt das neuronale Netz die versteckten Beziehungen zwischen den eingegebenen Daten und den Ergebnissen der Simulationen. Einmal trainiert, kann das neuronale Netz korrekte Lösungen in unbekannten Simulationskonfigurationen vorhersagen, und das in einem Bruchteil der Zeit, die für herkömmliche Berechnungen benötigt wird. Das ist genau das, was der neue Solver des MPIE macht. - Copyright: J. R. Mianroodi, Max-Planck-Institut für Eisenforschung GmbH
Copyright: J. R. Mianroodi, Max-Planck-Institut für Eisenforschung GmbH

Schlagworte

EisenforschungForschungKünstliche IntelligenzMax-Planck-InstitutMPIeTechnik

Verwandte Artikel

Primetals Technologies wird ein 8-gerüstiges eDrive No-Twist Walzwerk bei Jeevaka Industries installieren.
11.07.2025

Jeevaka Industries bestellt neue Knüppel-Stranggießanlage

Der Stahlhersteller Jeevaka Industries Private Ltd. beauftragte Primetals Technologies mit der Installation einer 3-strängigen Knüppelstranggießanlage in seinem neuen Sta...

ABB Anlagen Antrieb Automatisierung Bauindustrie Betonstahl Draht Drahtwalzwerk EU Gesellschaft Getriebe HZ Inbetriebnahme Indien Industrie Innovation Investition Ltd Ltd. Messe Metallverarbeitung Partnerschaft Primetals Produktion Profile Rohre Schrott Stahl Stahlbau Stahlwerk Steuerung Stranggießanlage Technik Temperatur Transport Unternehmen USA Walzwerk Zusammenarbeit
Mehr erfahren
Von links: Bernd Bartelheimer CFO ABP, Heike Marzen Wirtschaftsförderung Dortmund und Till Schreiter CEO ABP
11.07.2025

ABP Induction feiert 20-jähriges Bestehen

ABP Induction hat sein 20-jähriges Bestehen mit einem offiziellen Festakt gefeiert: Am 1. November 2005 wurde das Unternehmen aus dem ABB-Konzern herausgelöst und startet...

ABB Anlagen Ausbildung Bund Campus China Deutschland Digitalisierung Energie Entwicklung EU Gesellschaft HZ IHK Industrie ING Innovation Investition KI Kooperation Montage Nachwuchs Partnerschaft Produktion Produktionsprozess Schmelze Schmelzen Schweden Service Technik Unternehmen Veranstaltung Wirtschaft
Mehr erfahren
Die Mittelbandstraße von thyssenkrupp Hohenlimburg heute: digitalisiert und ausgelegt für höchste Präzision bei der Herstellung anspruchsvoller Warmbandgüten für Fahrzeuge, Kaltwalzindustrie, Maschinenbau und Elektroindustrie.
10.07.2025

70 Jahre Mittelbandstraße Hohenlimburg

Vor 70 Jahren nahm die kontinuierliche Mittelbandstraße in Hohenlimburg ihren Betrieb auf. Was 1955 als technologische Pionierleistung begann, ist heute ein hochmodernes...

Anlagen Bandstraße Bramme Brenner Emissionen Energie Energieeffizienz Entwicklung EU Haspel Haspelanlage Hohenlimburg Hubbalkenofen Industrie ING Innovation Investition Legierungen Modernisierung Nachhaltigkeit Produktion Stahl Steuerung Technik Thyssen thyssenkrupp Thyssenkrupp Hohenlimburg Vorstand Walzanlage Warmband Wasserstoff Werkstoff Werkstoffe Wettbewerb Windpark
Mehr erfahren
Grafik der Anlage in Linz
09.07.2025

voestalpine baut Wasserstoffpilotanlage aus

voestalpine und VERBUND bauen die erfolgreiche und eine der weltweit am längsten laufende PEM-Elektrolyseanlagen, H2FUTURE, in Linz weiter aus.

Anlagen Bund CO2 CO2-Emissionen Donawitz Elektrolichtbogenofen Elektrolyse Emissionen Ergebnis EU Forschung Forschungsprojekt Hochofen ING Lichtbogenofen Produktion Stahl Stahlproduktion Transformation Unternehmen USA Voestalpine AG Wasserstoff Zusammenarbeit
Mehr erfahren
Von links nach rechts: Dr. Harald Espenhahn, Head of Technology, Environment & Maintenance , Dennis Grimm, Vorstandsprecher von thyssenkrupp Steel,  Mona Neubaur, Wirtschafts- und Klimaschutzministerin, Ise Henne, Aufsichtsratssvorsitzende, thyssenkrupp Steel,  Sören Link, Oberbürgermeister Stadt Duisburg
04.07.2025

Offizieller Start für neue Hightech-Anlagen bei thyssenkrupp Steel

Die neue Stranggießanlage 4, das modernisierte Warmbandwerk 4 und die neue Brammenlogistik gehen in den Hochlauf

Anlagen Anlagentechnik Automatisierung Bramme Bund Deutschland Duisburg Energie Energiewende Entwicklung Ergebnis EU Industrie Investition Kernaggregate KI Klima Klimaschutz Logistik Modernisierung Montage Neubau NRW Optimierung Presse Produktion SSAB Stahl Stahlindustrie Stahlproduktion Stahlwerk Steuerung Stranggießanlage Technik thyssenkrupp Thyssenkrupp Steel Europe Transformation Unternehmen Vorstand Walzanlage Warmband Wettbewerb Wirtschaft
Mehr erfahren