Wie KI die Simulation revolutioniert
Shownotes
Wenn Sie Fragen haben, dann wenden Sie sich gerne an: vertrieb@boschrexroth.de
Produziert von Bosch Rexroth AG, Vertrieb Europa Mitte [Susanne Noll] (https://www.linkedin.com/in/susanne-noll-518b9162/)
Transkript anzeigen
00:00:04: Hallo und willkommen zu dieser neuen Folge von Industrie neu gedacht.
00:00:07: Mein Name ist Robert Weber und bevor es losgeht, ein paar wichtige Hinweise.
00:00:11: Wir haben diese Folge vor einigen Wochen aufgezeichnet und in der KI-Zeitrechnung ist es leider viel zu lange her.
00:00:18: Seitdem hat sich viel getan.
00:00:19: Johannes Brandstätte hat mit MEAI sein eigenes Unternehmen gegründet, viel Geld eingesammelt, das angesprächenene Neural Dam Modell ist Open Source verfügbar und das Team hat mit ABUpt ein Modell for Aerodynamic Stimulations veröffentlicht.
00:00:33: Herzlichen Glückwunsch.
00:00:34: Und jetzt geht's los.
00:00:36: Viel Spaß.
00:00:51: veröffentlicht und das hat große Wellen geschlagen in der ganzen Simulationswelt, in der industriellen Simulationswelt.
00:00:58: und ich zitiere mal Neural DEM is an end-to-end deep learning alternative for real-time modification of industrial processes based on DEMs.
00:01:09: Jetzt lass uns das mal auseinander nehmen.
00:01:12: Neural DEM, was bedeutet Neural DEM?
00:01:15: Ja, ich hole vielleicht ganz kurz aus mit dem auseinander nehmen anfangen.
00:01:19: Mach das.
00:01:20: Also ich habe ja seit einigen, mittlerweile schon Jahren, diese Vision, Numerische Simulation, vor allem Fluid-Dynamik und Multiphysik-Simulationen mit die neue, neue Netzen schleunigen.
00:01:34: Und das klingt natürlich alles sehr super und sehr, sehr spannend, nur es ist immer bei solchen Unterfangen die Frage, wo fängt man an?
00:01:42: Und für mich war... durch die tolle Kollaboration hier in Linz mit dem Lab von Stefan Birker, der ein Spezialist ist in Multi-Physik-Simulationen, also Partikel-Simulationen, die mit gewissen Fluids wie Luft oder Wasser interagieren.
00:01:58: Sind wir vor ziemlich genau einem Jahr auf dieses Problem gestoßen, der Wirbelschichtreaktoren, Silos
00:02:06: etc.,
00:02:07: die Simulationstechnisch sehr schwer zu modellieren sind, weil sie drei D sind, weil sie hochdimensional anzahlen.
00:02:13: Teilchen und Kritzellen sind, weil sie sich über die Zeit chaotisch verhalten.
00:02:18: Dann habe ich mir gedacht, so das ist das Problem, das will ich modellieren können.
00:02:23: Wenn wir das modellieren können, dann sind wir schon einen großen Schritt weiter.
00:02:26: Aber warum sollte man das überhaupt machen müssen?
00:02:28: Für
00:02:28: mich ist das die Eintrittstür in verschiedenste Simulationsprozesse.
00:02:33: Eben weil es drei D ist, eben weil es hochdimensionalen Anzahl der mitwirkenden Systeme ist, eben weil es chaotisch über die Zeit ist und wegen diesen Eigenschaften.
00:02:44: Aber wir haben doch von diesen ganzen, was du angesprochen hast, unendlich viele numerische Simulationen und wir fahren damit doch total gut.
00:02:51: Wir fahren damit total gut, nur es gibt gewisse Möglichkeiten noch besser zu werden.
00:02:56: Ich sage jetzt hier ganz bewusst, nicht die numerische Simulation zu ersetzen, sondern die Simulation zu bereichen natürlich.
00:03:03: Neuronalen Netze haben die total tolle Eigenschaft, schneller zu sein.
00:03:07: Das erlaubt am schnellere Prozesszyklen, das erlaubt, schnellere Entscheidungen zu treffen, das erlaubt bis hin, wo es interessant wird, Real-Time-Simulation, also wo man in Echtzeit vorher sagen kann, wie sich ein System verhält.
00:03:21: Und, und das ist mein großes Ziel, man sagt ja eigentlich immer, man ist gebunden an der Genauigkeit der Daten.
00:03:28: Also die numerische Simulation gibt an, wie gut das Neuronetz die Simulation lernen kann.
00:03:33: Dem widerspreche ich bei gerade solchen Prozessen, die wir hier simuliert haben, weil auf kurz oder langfristig kommen hier die Messungen hinzu, die man mit, zum Beispiel, Temperatur-Sensoren macht.
00:03:45: Und wenn das neue Narrennetz gut genug trainiert ist, in das neue Narrennetz in Echtzeit reinspeisen kann.
00:03:51: Und dadurch Informationen über das System, echte Informationen, Sensorinformationen, über das System verarbeiten kann.
00:03:57: Und das ist ein ganz großer Vorteil gegenüber der Numerik.
00:04:01: Und das wird Echtzeitüberwachungen, Echtzeitsteuerungen, extrem, extrem Beschleunigen verbessern.
00:04:07: Und das ist genau die Richtung, in die wir hier arbeiten.
00:04:11: Was habt ihr jetzt gemacht, dieses Neural Dam?
00:04:14: Dam stellt ein Discretelement Methode.
00:04:18: Sand, oder was ist das?
00:04:19: Sand, Schüttgut etc.
00:04:21: Alles, was man mit Teilchen beschreiben kann.
00:04:24: Und diese DEM-Simulationen haben wir zerpflückt.
00:04:28: Wir haben uns verschiedene Use-Cases, verschiedene Szenarien angeschaut, die in dieser Community verbreitet sind.
00:04:34: Und wir haben dann angefangen, die mit normalen Netzen zu simulieren.
00:04:38: Das sind von einfachen DEM-Simulationen von Silos, um anhand von Partikel-Eigenschaften und der Geometrie verschiedene Flies.
00:04:47: Eigenschaften beobachten kann und dann bis hin zu sogenannten Multiphysik-Simulationen, wo man Particles, also sehr kleine Particles, die mit einblasender Luft aufgewirbelt werden, also Dürbelschichtreaktoren simulieren kann.
00:05:02: Das ist dann wieder CFD, oder?
00:05:04: Genau, dieser Luft ist die Computational Fluid-Dynamik-Komponente und dem hat halt die super Eigenschaft, dass man sie... dass man dem sehr leicht mit anderen Simulationen koppeln kann.
00:05:14: Deswegen Multiphysics, also die Koppelung in CFD.
00:05:17: Genau.
00:05:18: Und diese Prozesse haben wir schrittweise auseinandergenommen und untersucht, wie gut schaffen wir das Neuronal zu
00:05:24: modellieren.
00:05:25: Jetzt hast du gesagt, Neuronal zu modellieren.
00:05:26: Wie kann ich mir das vorstellen?
00:05:28: Nimmt man sich da ein beliebiges Neuronales Netz oder erklärt ein bisschen den Prozess, wie ihr dazu kommt?
00:05:34: Ihr braucht ja auch ein Werkzeug dafür.
00:05:36: Genau, also wir haben natürlich von der Modellierungsphilosophie ein gewisses eigenen Software Stack, der nennt sich Universal Physics Transformer, den haben wir in alle Richtungen verbogen und gezerrt, dass er auf dieses Modell passt, sind dann natürlich auf einigen Erweiterungen gekommen, die nötig sind, um mit diesen speziellen... Eigenschaften von dem umgehen zu können.
00:06:00: und dann haben wir natürlich das große Glück, dadurch dass wir mit absoluten Domänexperten zusammengearbeitet haben oder zusammenarbeiten, dass wir total tolle Daten erzeugen können und immer wieder neue Daten und so dieses Zusammenspiel zwischen Modellierung und Trainingsdaten ausgereizt haben.
00:06:16: Wo kommen diese Daten her?
00:06:17: Sind das synthetische Garten?
00:06:18: Hab ich das richtig verstanden?
00:06:20: Im ersten Fall sind das synthetische Daten genäumt.
00:06:23: Oder es werden immer synthetische Daten bleiben, nur in diese synthetischen Daten werden im nächsten Schritt dann die Echtzeitmessungen von zum Beispiel das jetzt so an eingepflegt
00:06:31: werden.
00:06:31: Aber ihr könntet doch auch bestehende Simulationen nehmen als Datensatz, oder?
00:06:37: Absolut richtig, aber... Bevor man fliegt, muss man gehen lernen.
00:06:41: Und hier wartet das Gehenlernen wirklich, es zu schaffen, solche am komplexen Prozesse einmal zu modellieren.
00:06:47: Und da muss man natürlich die Daten so hinbiegen, dass sie möglichst glatt sind, dass sie möglichst gut verständlich sind, dass sie möglichst divers sind, etc.
00:06:55: Jetzt
00:06:56: hast du gesagt, Simulation, wir haben ja unendlich viele Millionen von Millionen Datensätzen, von Simulationsdatensätzen.
00:07:02: Aber dass man jetzt sagt aus der AI, wir sind jetzt in, haben jetzt dieses Werkzeug, wir haben das wissenschaftlich bewiesen, dass die die Physik abbilden kann.
00:07:12: Und jetzt müssen wir sozusagen nochmal unser Gehirnschmal richtig investieren, weil jetzt müssen wir es anpassen an industrielle Prozesse.
00:07:19: Ist das das schwierige eigentlich, was jetzt kommt?
00:07:22: Ja, das ist eine super Frage.
00:07:23: Also ich würde sagen, wir haben jetzt das Werkzeug so ausgereizt, dass wir damit auf große Probleme einwirken können.
00:07:34: Und hier sprechen wir von verschiedensten Richtungen, von herkömmlicher CFD, wie sie verwendet wird in Automotive oder Flugzeug oder diversen Wärmeleitungsprozessen, bis hin zu Multifysics, wie sie Viergeschichtreaktoren etc.
00:07:49: Dieses Werkzeug, das wir jetzt haben, ist zumindest von Design und von der Flexibilität so, dass man gegeben, es gibt genügend Daten, nun damit versuchen, solche Prozesse zu modellieren.
00:08:02: Das hat uns bis jetzt gefehlt.
00:08:03: Und dadurch haben wir jetzt natürlich zwei, drei spezielle Prozesse, zwei, drei spezielle Nischen im Auge, die sind es gar nicht Felder, die damit jetzt bearbeiten.
00:08:14: Aber ist das so, wir haben ja, keine Ahnung, wann war das?
00:08:17: Es hatten, wann hat der Bitter Lesson geschrieben, zwei, tausend, achtzehn, neunzehn, dass sozusagen der Fortschritt nur noch über die Skalierung kommt.
00:08:23: Die habt jetzt skaliert, skaliert, skaliert und jetzt müsst ihr aber wieder... anwenden und da müsst ihr noch mal nachdenken und da müssen wir noch mal andere Dinge berücksichtigen.
00:08:32: Ja, für mich ist Kalierung in dieser Simulation ein Begriff, wo ich immer erstaunt bin, welche unterschiedlichen Meinungen es dazu gibt.
00:08:40: Also es gibt sehr viele Arbeiten mittlerweile, die zeigen, dass man natürlich immer größere Netze bauen kann und auf immer mehr Daten anwenden kann, nur wenn die Daten selbst nicht sehr komplex sind, sehe ich den Sinn dahinter nicht wirklich.
00:08:56: Was ich damit meine ist, wenn man eine zweidimensionale Navistoks-Gleichung hat, auf eine relativ geringe Auflösung, dann bringt es mir nichts, wenn ich Millionen davon erzeuge, weil das Netz kann nicht mehr lernen wie diese wenig aufgelöste, vereinfachte Dynamik, oder wenn ich eine Automotive Fluidsimulation mache und die Qualität der Fluidsimulation sehr schlecht ist und das mescht das Auto sehr ungenau.
00:09:24: kann ich da Millionen von diesen Daten haben, bringt es mir relativ wenig hier etwas Sinnvolles zu lernen.
00:09:31: Mich ist Skalierung hier die Größe des Problems, weil wenn die Simulation genauer wird, bedeutet das, dass die Meshes, also die Unterteilung der Geometrien, viel genauer werden, bedeutet das, dass die numerischen Simulationen viel länger laufen, viel aufwendiger sind, viele verschiedene Turbulenzmodelle inhalten.
00:09:52: oder auf der anderen Sicht bedeutet das, dass man viel mehr Teilchen berücksichtigen muss, viel mehr Wechselwirkungen, viel mehr physikalische Phänomene über unterschiedliche Skalierungen.
00:10:01: Und das ist für mich Skalierung auf große Systeme wirklich zu verarbeiten zu können.
00:10:07: und diesen Achsel der Skalierung versuchen wir hier zu
00:10:10: lösen.
00:10:11: Was mich interessieren würde, jetzt hast du... Neurodemn angesprochen.
00:10:15: Jetzt lass uns doch mal durchspielen.
00:10:16: angenommen.
00:10:17: Ihr baut daraus ein industrielles Produkt und ihr könnt ja die Physik abbilden.
00:10:21: Und ihr könnt ja im Prinzip, wo ich es verstand, dieses Werkzeug, dieser Upt, lernt die Physik und kann diese Physik abbilden, korrekt?
00:10:30: Ja.
00:10:31: Und der müsste ja von meiner Werbung gar nicht hundert Prozent genau sein.
00:10:36: Wollen wir es mal, ich will es mal so.
00:10:38: provokativ fragen, weil ich könnte ja immer noch mit einer klassischen Simulation nachgehen und sagen, okay, das hat mir jetzt das Neuneinheits vorgegeben.
00:10:45: Lass uns das nochmal mit einer traditionellen Simulation überprüfen und nochmal scharf machen und nochmal nachschärfen.
00:10:50: Oder ist das völlig falsch gedacht?
00:10:53: Ja, das ist wieder ein guter Punkt.
00:10:55: Das hängt sehr davon ab, in welcher Industrie oder für welchen Prozesse man das einsetzt.
00:11:00: Delia Fordo, du willst jetzt einen Hochofen überwachen, der Stahlindustrie?
00:11:05: Und die Simulation soll dir sagen, wann es einen gewissen Temperaturgradienten gibt, dass sozusagen das Betreiben kritisch wird und man muss den Hochofen runterfahren, der Salop gesagt.
00:11:14: Dann muss natürlich die Simulation relativ genau sein, weil du natürlich sonst sehr viel Geld verlierst in jegliche Richtung.
00:11:22: Hier wiederum ist das Problem, dass normalerische Simulationen teilweise nicht schnell genug sind.
00:11:29: Was du jetzt angesprochen hast, kann man vor allem für das Design von, zum Beispiel, Autos verwenden.
00:11:35: Wenn man es schafft oder wenn man verschiedene Designs ausprobieren kann, weil es das Moronalnetz sehr schnell Antworten gibt, kriegt man eine Auswahl an guten Designs in einer sehr kurzen Zeit und kann darauf dann nochmal die Numerik anmenden und wirklich entscheiden, ob das Design erfüllt, was man sich verspricht.
00:11:54: Und also ich habe jetzt hier zwei Fälle aufgezeigt.
00:11:57: Es hängt sehr vom Feld ab und von der Anwendung, wie man mit Genauigkeit und Garantien umgeht.
00:12:05: Jetzt hast du gesagt, eins war Speed, also Geschwindigkeit.
00:12:09: Dann war euer Anspruch, Physik zu lernen und zu abzubilden.
00:12:15: Und jetzt habe ich aber auch rausgehört, jetzt hast du gesagt, CFD.
00:12:18: dem das Spiel zusammen, aber wir können uns vielleicht auch nur CFD vorstellen, keine Ahnung.
00:12:24: Kann ich da jetzt auch von der Upt sagen, okay, ich mache eins, zwei, drei, vier und ich mache unterschiedlichste Domänen in der Simulation?
00:12:31: Ja, und das machen wir gerade.
00:12:33: Also es gibt zwei, drei Domänen, die wir extrem interessant finden und wo wir durch Rückfrage von Industrie jetzt gemerkt haben, dass das Interesse hier riesig ist.
00:12:42: Ich bin selbst überrascht, ich habe in einigen großen Firmen geredet die letzten Wochen.
00:12:47: Wie viel?
00:12:48: Millionen Milliarden jährlich in Rechenzeit, in Simulationszeit fließen.
00:12:54: Und da wird es auf einmal klar, welche diese Disziplinen, die das absolute Potenzial für Veränderungen haben.
00:13:04: Jetzt macht er nicht nur ihr das.
00:13:07: Die ganze Branche habe ich das Gefühl, entdeckt die Physik für sich oder täuscht mich das.
00:13:13: Es ist definitiv spannend.
00:13:14: Man merkt hier den Shift zu EI in Physics EI in Simulation, weil die Methoden langsam da sind, die Techniken da sind, um hier einen Durchbruch zu schaffen.
00:13:28: Und was ist jetzt euer Anspruch?
00:13:30: Jetzt habt ihr dieses Neural DEM, das ist ja noch nicht industrialisiert.
00:13:33: Das kann man ja noch nicht heute kaufen und sagen, jetzt probiere ich es aus.
00:13:37: Was ist euer Horizont so ein bisschen?
00:13:39: Ja, wie ich eingangs gesagt habe, für mich war dieses Neural DEM so ziemlich der schwierigste Use Case, den ich mir vorstellen kann.
00:13:47: Jetzt aus rein akademischer Sicht.
00:13:49: Und den haben wir jetzt in Griff bekommen und dadurch haben wir wirklich auch gelernt, was es braucht, um große Systeme zu modellieren.
00:13:57: Und jetzt ist es, dadurch ist es uns klar geworden, auf welche Systeme wir gehen wollen.
00:14:02: Ich möchte die jetzt nicht genau verraten.
00:14:04: Ja, alles gut.
00:14:07: Als Tipp.
00:14:08: Und jetzt ist natürlich der Anspruch, hier die ersten Modelle zu bauen, die gewisse generalisierende Eigenschaften haben.
00:14:14: Also die für mehr Systeme funktionieren, die für große Anzahl an Parameter funktionieren, verschiedene Anzahl an Systemgrößen, verschiedene Anzahl an Geometrien etc.
00:14:24: etc.
00:14:25: Und das heißt, ich kann dann später ein Modell von euch nehmen, ein großes Simulationsmodell, nimm mir meine Domäne raus, feinthune das auf meinen Daten und dann funktioniert es.
00:14:35: Ist das die Vision?
00:14:37: Ja, aber im ersten Schritt wird es sehr domänspezifisch sein.
00:14:40: Aber weiter zu gehen ist noch ein bisschen Waage, weil man auch nicht weiß, wie die Überführung für sich wirkt.
00:14:47: Aber domänspezifisch ein Modell, das in dieser speziellen Domäne sehr gut generalisieren kann.
00:14:53: Das ist natürlich jetzt unser Anspruch.
00:14:55: Und wie schon vorher gesagt, die Anspruch ist immer die Skalierung des Problems.
00:14:59: Also wir wollen wirklich auf die größten Probleme gehen und nicht auf die auf die kleinen Probleme, wo die nun mehr praktisch ununersetzbar und unschlagbar ist.
00:15:09: Jetzt lass uns noch ganz kurz über Kundenbranchen sprechen.
00:15:12: Also Neural Dam habe ich verstanden, Discrete Elements Meta, Kunststoffindustrie, Chemieindustrie, Prozessindustrie, korrekt?
00:15:21: Ja.
00:15:22: Dann hast du Automotives ein bisschen getriggert.
00:15:24: Wo siehst du noch Kundschaft?
00:15:26: Ist das ganze Thema hydraulik, hydraulische Systeme?
00:15:29: Da haben wir auch viel CFD oder ist das zu kleinteilig?
00:15:32: Wo siehst du da noch Potenziale?
00:15:35: Ganz groß ist natürlich Energie.
00:15:38: Ganz groß ist Flugzeugindustrie.
00:15:40: Da habe ich drei bis vier Anfragen bekommen.
00:15:43: Dann gibt es die Metallindustrie.
00:15:47: Und wie du sagst, Chemie, aber Chemie ist, würde ich sagen, ist so innerend komplex, dass ich eher glaube, zuerst werden die vorher genannten Industrie aufspringen.
00:15:58: Also diskrete Fertigung, also wirklich Maschinenbau, Fertigung, Energie, Energie ist Prozessindustrie, aber so ein bisschen Maschinenbau, Fahrzeugbau, Flugzeuge.
00:16:09: Was ist jetzt euer Zeithorizont?
00:16:11: Wann kann ich was kaufen?
00:16:13: Ich würde, also wir haben natürlich die ersten Kundenprojekte, aber ich würde sagen, die...
00:16:19: Ah, das ist ja alles, da freckelt man ja alles hin, dass es passt, oder?
00:16:22: Das ist ja noch nicht generalisiert.
00:16:23: Das
00:16:24: generalisiert auf den Kunden-Use-Case, das
00:16:26: ist die
00:16:27: Generalisierung.
00:16:27: Ja, genau.
00:16:28: Aber das wollt ihr doch in Zukunft bestimmt nicht mehr machen, weil das ist ja superaufwendig, das skaliert ja nicht.
00:16:33: Genau, die zweitkleinste Generalisierung ist etwas zu bauen, was auch... was entweder für zwei Kunden funktioniert oder für zwei Use-Cases eines Kunden.
00:16:44: Aber das ist natürlich noch immer sehr klein, zumindest eine Vorändergeneralisierung.
00:16:48: Und dann ist es natürlich das Ziel, Modelle zu bauen, die für ein spezielles Branche wirklich zur Verfügung gestellt werden können.
00:16:58: Und das beantwortet die Inhalte natürlich auch die Frage der Daten.
00:17:02: Die wollen wir hier vor allem in Haus selbst generieren, damit wir hier IP-mäßig sauber sind.
00:17:07: Und diese Form der Spatengeneralisierung, das dauert nicht mehr so lange.
00:17:12: Da würde ich glauben, das schaffen wir im nächsten Jahr.
00:17:16: Super.
00:17:17: Wir drücken euch dafür die Daumen.
00:17:19: Alles Gute nach Linz.
00:17:20: Vielen Dank,
00:17:21: Robert.
00:17:21: Danke für
00:17:22: das Interview.
00:17:33: Danke.
Neuer Kommentar