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

Die Veranstaltung fand im LWL-Museum Henrichshütte in Hattingen statt.
28.05.2025

VDEh Mitgliederversammlung 2025

Am 22. Mai 2025 fand im LWL-Museum Henrichshütte in Hattingen die VDEh-Mitgliederversammlung mit rund 200 Mitgliedern statt.

CO2 CO2-neutral Duisburg Essen EU Forschung Forschungsprojekt Industrie ING KI Konferenz Museum Nachwuchs Rohstoffe RWTH RWTH Aachen Salzgitter Salzgitter AG Schmelze Schmelzen Schrott Stahl Stahlindustrie Stahlwerk Thyssen thyssenkrupp Thyssenkrupp Steel Europe Thyssenkrupp Steel Europe AG Transformation USA Veranstaltung Wasserstoff Wirtschaft
Mehr erfahren
Die neue Dosenherstellungsmaschine
27.05.2025

Tata Steel Nederland startet innovative Dosenproduktion

Das Unternehmen hat eine Dosenherstellungsmaschine in Betrieb genommen. Der Bodymaker nutzt ein Trockenformverfahren zur Herstellung von Lebensmitteldosen, die bspw. im E...

Anlagen Energie Entwicklung Ergebnis EU Forschung Handel HZ IBU Industrie ING Investition KI Kooperation Niederlande Partnerschaft Produktion Recycling Stahl Transport Umformen Unternehmen USA Verpackungsstahl Zusammenarbeit
Mehr erfahren
Dr. Birgitt Bendiek
23.05.2025

Dr. Birgitt Bendiek neue Geschäftsführerin bei Zinq

Sie verantwortet den deutschen Geschäftsbereich der Zinq Gruppe und ist damit für knapp 1.000 Mitarbeitende an über 20 Standorten verantwortlich.

Deutschland Emissionen Energie Entwicklung EU Gesellschaft Getriebe Handel HZ ING Klima Kreislaufwirtschaft Managementsystem Produktion Strategie Technik Transformation Transformationsprozess Umwelt Unternehmen Wettbewerb Wirtschaft
Mehr erfahren
thyssenkrupp Materials Services ist einer der weltweit führenden werksunabhängigen Werkstoff-Händler und -Dienstleister und mit rund 380 Standorten in mehr als 30 Ländern, vor allem in den Kernmärkten Europa und Nordamerika, aktiv
23.05.2025

Auszeichnung für thyssenkrupp Materials Services

Die Auszeichnung wurde von Armstrong & Associates, einem renommierten Marktforschungsinstitut im Bereich Logistik, und Transport Topics, einer Branchenzeitung, vergeben.

Anarbeitung Auszeichnung Automobil Baustoffe Energie EU Forschung Handel Industrie ING Innovation Investition Lieferketten Logistik Nordamerika Partnerschaft Produktion Service Thyssenkrupp Materials Services Transport Unternehmen USA Werkstoff Werkstoffe Wettbewerb
Mehr erfahren
Der neue Ehrendoktor Ulrich Grethe zwischen Universitätspräsidentin Dr.-Ing. Sylvia Schattauer und Gunnar Groebler, dem Vorstandschef der Salzgitter AG. Die Urkunde hatte zuvor Fakultätsdekan Prof. René Wilhelm überreicht.
21.05.2025

Ulrich Grethe erhält Ehrendoktorwürde der TU Clausthal

Die seltene Auszeichnung wurde dem Goslarer, von 2017 – 2024 Vorsitzender des Vereins von Freunden der Universität, vor 140 Gästen durch die Fakultät für Natur- und Mater...

Auszeichnung Berlin Bund DSV Entwicklung EU Flachstahl Forschung Gesellschaft Industrie ING Innovation Kooperation Metallurgie Produktion Salzgitter Salzgitter AG Salzgitter Flachstahl Salzgitter Flachstahl GmbH SMS Stahl Stahlerzeugung Stahlindustrie Stahlproduktion Stahlwerk Studie Technik TEMA Transformation TU Clausthal Universität Unternehmen USA Vorstand Werke Peine Werkstoff Zusammenarbeit
Mehr erfahren