BMBF bevordert onderzoeksproject over Kunstmatige Intelligentie in de constructie

Het Bundesministerium voor Onderwijs en Onderzoek (BMBF) financiert met ongeveer 1,8 miljoen euro een project voor het onderzoek naar de fundamenten van een gedigitaliseerde productontwikkeling. Het project, dat aanvankelijk op drie jaar is gepland, wordt geleid door Daimler AG; betrokken met een subsidie van ongeveer 630.000 euro is het team van Prof. Dr. Klaus-Robert Müller, hoogleraar Machine Learning aan de Technische Universiteit Berlijn.

Met de toenemende digitalisering van de industrie maken digitale prototypes in Computer Aided Design (CAD), Computer Aided Engineering (CAE) of ook Computer Aided Manufacturing (CAM) het mogelijk om een nieuw product te analyseren op basis van simulaties. Zo kunnen bepaalde tests al vóór de bouw van een eerste prototype volledig op de computer worden uitgevoerd. Dit stelt bijvoorbeeld het uitproberen van verschillende ontwerpopties mogelijk – zonder dat een fysiek model gebouwd hoeft te worden.

Het nieuwe onderzoeksproject Artificial Intelligence Aided x (AIAx) moet helpen om de digitalisering van het productontwikkelingsproces met grote, complexe datasets beheersbaar te maken en ontwerpers en ontwerpsters te ontlasten van tijdrovende routinetaken. De centrale onderzoeksvraag luidt: Hoe kunnen bestaande methoden van kunstmatige intelligentie worden verder ontwikkeld om de traditionele kracht van de industrie in de ontwikkeling van kwalitatief hoogwaardige technische producten te ondersteunen? Het onderzoeksproject streeft ernaar dat op middellange termijn uit de vandaag in de industrie bekende termen CAD, CAE en CAM het Artificial Intelligence Aided Design/Engineering/Manufacturing – kortweg AIAx – wordt.

Ervaringswaarden vormen in het ontwerpproces waardevolle knowhow. Deze ervaringswaarden zijn echter moeilijk te formaliseren en kunnen daarom slechts beperkt worden doorgegeven aan jonge talenten. Door het inzetten van bepaalde machinaal leren-methoden zouden bijvoorbeeld patronen in de gegevens van een CAD-constructie kunnen worden herkend en efficiënter worden benut.

Elke simulatie levert enorme hoeveelheden gegevens op, die momenteel nog door ingenieurs moeten worden geanalyseerd om gebreken en tekortkomingen in het ontwerp te identificeren en deze geleidelijk te verbeteren. Speciaal ontwikkelde machinaal leren-methoden moeten deze gegevens automatisch en intelligent analyseren en mogelijk ook verbeteringen voorstellen. Een dergelijke automatisering van het analyseproces zou niet alleen het ontwerp versnellen, maar ook meer tijd vrijmaken voor ingenieurs en ingenieurinnen voor de ontwikkeling van innovatieve ontwerpen en ideeën.

De TU Berlijn brengt als sterke onderzoekspartner haar jarenlange ervaring in fundamenteel onderzoek naar machinaal leren (ML) en AI in het nieuwe project AIAx in. De werkgroep van Klaus-Robert Müller heeft belangrijke bijdragen geleverd aan Support Vector Machines en de zogenaamde ‘Explainable Artificial Intelligence’ (verklaarbare kunstmatige intelligentie) en heeft de implementatie van ML-methoden in de kwantumchemie bevorderd. We zullen ons in het project vooral bezighouden met onderwerpen zoals ‘Efficiënt Deep Learning’ en de ‘Verklaring en robuustheid’ van de te ontwikkelen ML-methoden, aldus Klaus-Robert Müller.

Het transparant maken – dus verklaarbaar maken – van de besluitvormingsprocessen van ML-methoden moet hun acceptatie in de praktijk vergroten en daarmee een industriële toepassing überhaupt mogelijk maken. Waarom neemt het machinaal leren een bepaalde beslissing? ‘Hier willen we met een proefpersonenstudie verschillende weergaven van het besluitvormingsproces onderzoeken. Hoe moet de verklaring worden weergegeven? Welke informatie is zinvol? Wat betreft de acceptatie van ML-methoden is verklaarbaarheid een belangrijk aspect. Want de uiteindelijke verantwoordelijkheid ligt bij de ontwerper,’ legt Klaus-Robert Müller uit.

AIAx verenigt als samenwerkingsproject partners uit de industrie en verschillende onderzoeksinstituten. De interdisciplinaire aard van het project wordt weerspiegeld in de samenstelling van het consortium. Naast de TU Berlijn zijn betrokken Daimler AG, DYNAmore GmbH, Endress+Hauser Maulburg SE & Co. KG, het Karlsruher Institut für Technologie en de USU Software AG.