KI in Design

Unter „KI in Design“ ist das Forschungsgebiet zu verstehen, welche Methoden der künstlichen Intelligenz verwendet, um die Aufgabe des Designs technischer Produkte zu erleichtern oder zum Teil zu automatisieren. Die Beiträge der künstlichen Intelligenz können dabei abgeschlossene Teilprozesse betreffen, wie die Systemanalyse oder die Optimierung von Subsystemen oder Sub-Eigenschaften. Oder sie können den Menschen in der Gestaltung des Designs an sich unterstützen oder sogar zum Teil ersetzen. Handelt es sich dabei um eine Unterstützung, also um die Übernahme bestimmter Routineaufgaben, dann ist von KI-gestütztem Design die Rede. Wird hingegen von der KI eine übergeordnete Aufgabe bei der Erarbeitung der Designlösung übernommen, so ist von KI-basiertem, automatisiertem oder teilautomatisiertem Design die Rede.

Die künstliche Intelligenz hat ihre Stärke bei der Automatisierung von Aufgaben, die bisher vom Menschen erledigt wurden. Typischerweise werden dabei die Algorithmen, die bestimmte Eingangsdaten zu den gewünschten Ausgangsdaten verarbeiten, nicht explizit programmiert. Es wird hingegen eine Struktur mit einer großen Anzahl AN variablen Parametern (Gewichte) zur Verfügung gestellt, die anhand einer ebenfalls großen Anzahl von Daten trainiert wird. Beim Training werden die Gewichte mit dem Ziel optimiert, eine möglichst gute Übereinstimmung mit den Daten zu erreichen. Ein eindrucksvolles Beispiel ist dabei die Bildererkennung. Soll beispielsweise erkannt werden, ob ein Bild eine Katze darstellt oder nicht, so ist die Aufgabe des Algorithmus, eine Bitmap-Datei als Eingabe anzunehmen und als Ausgabe die Aussage zu formulieren, ob das Bild eine Katze darstellt oder nicht. Eine explizite Programmierung diese Aufgabe, die alle in Frage kommenden Rassen, Größen, Blickwinkel der Betrachtung und Haltungen der Katzen erfasst, wäre sehr aufwendig. Andererseits weiß man, dass Menschen eine solche Aufgabe schnell erledigen können, was belegt, dass der Aufbau eines passenden Algorithmus prinzipiell möglich ist. So wird nach dem oben genannten Prinzip (parametrisierte Rechnungsarchitektur und Training) diese Aufgabe erledigt.
In den Ingenieurwissenschaften ist eine traditionell durch Menschen erledigte Aufgabe die des Designs bzw. der Synthese. Sind die Merkmale eines Systems definiert und muss sein Verhalten bestimmt werden, so haben wir es mit einer Analyseaufgabe zu tun. Wir der umgekehrte Prozess beabsichtigt (Ermittlung der Merkmale, wie bsp. Dimensionen und Werkstoffe, eines Systems auf der Basis des gewünschten Verhaltens) so entsteht eine Syntheseaufgabe. Analyseaufgaben sind in der Regel gut auf der Basis explizit programmierter Algorithmen lösbar (z.B. die Analyse der Verformung eines Bauteils auf der Basis der Finite-Elemente-Methode). Design- bzw. Syntheseaufgaben erfordern prinzipiell die Analyse und Bewertung einer enormen Vielfalt an möglichen Lösungen, die nie (weder vom Menschen noch maschinell) ausschöpfend erfolgen kann. Bisher wurden Designaufgaben durch den Menschen dadurch erledigt, dass unter dem Einsatz von Erfahrung, Intuition sowie subjektiven Betrachtungen (wie beispielsweise die Wahl eines bestimmten Stils) die Vielfalt der zur analysieren und zu bewertenden Lösungen stark reduziert wird.
Bei der Formalisierung von Designaufgaben wird die Suche in der Vielfalt möglicher Lösungen mittels geeigneter Parametrisierung in die Durchsuchung hyperdimensionaler Räume überführt. Bisher wurde hauptsächlich versucht, Designaufgaben dadurch zu automatisieren, dass sie in Optimierungsaufgaben umgewandelt wurden. So werden von der Vielfalt denkbarer Lösungen nur diejenigen analysiert und bewertet, die sich entlang eines eindimensionalen Suchpfads befinden, was von der Problemformulierung abhängt (Wahl der Zielfunktion und der Restriktionen der Optimierung) sowie von der Wahl des Suchalgorithmus. Diese Art der Fokussierung auf eine stark reduzierte Untermenge der möglichen Lösungen unterscheidet sich wesentlich von der Art der Fokussierung, die im menschlichen Designprozessen stattfindet. Durch die Verwendung von KI-Methoden kann in der Designautomatisierung an die menschliche Designmethodik angeschlossen werden, die als bewährt gilt.
Die Designaufgabe ist allerdings (etwa verglichen mit der Aufgabe der Bilderkennung) von großer Komplexität und Vielfalt, so dass nicht erwartet werden kann, dass sie komplett auf Maschinen wird übertragen werden können. Es ist eher davon auszugehen, dass die Künstliche Intelligenz in Wechselwirkung mit Menschen agiert. Das ist womöglich der beste Zusammenhang, in dem die Idee eines solchen „Mensch-Maschine-Teaming“ entwickelt werden kann.
Es ist auf der einen Seite nicht sinnvoll, dass klassisches Engineering basierend auf Intuition, Kreativität, subjektiven Betrachtungen und menschlicher Erfahrung komplett aufgegeben wird; auf der anderen Seite ist seine vollständige algorithmische Umschreibung zumindest in absehbarer Zeit nicht darstellbar. So ist es vielversprechend auf eine Synergie zwischen Mensch und KI zu setzen, in der selbstverständlich auch klassische, rechnergestützte Methoden integriert werden können.
Eine erste Maßnahme bei der Entwicklung eines solches Teaming besteht darin, solche klassischen, explizit programmierten Methoden in KI-Architekturen umzuwandeln. So werden sie besser in die Lage versetzt, mit Menschen oder mit KI-Modulen zu Abbildung menschlicher Fähigkeiten in synergetischer Wechselwirkung zu arbeiten. Im Gegensatz zum klassischen Vorgehen des überwachten maschinellen Lernens werden die Datensätze, die zum Training benötigt werden, nicht extern produziert werden, sondern entstehen gezielt (etwa durch zufällige Generierung) im Rahmen des Trainingsprozesses. Eine erste erfolgreiche Methode, die in diesem Zusammenhang am Institut entstand, ist die PEN-Methode zur Strukturoptimierung.

Bei der PEN-Methode (PEN ist ein Akronym für „Predictor-Evaluator-Network“) besteht das zu lösende Optimierungsproblem in der Suche nach der Geometrie maximaler Steifigkeit innerhalb eines gegebenen Designbereichs und unter Erfüllung einer Volumenbeschränkung. Die Methode basiert auf der Interaktion zwischen einem trainierbaren ANN namens Prädiktor, der für die Generierung der optimalen Geometrien auf der Grundlage von Datensätzen verantwortlich ist, und einer angemessenen Anzahl von Evaluatoren, die für die Überwachung des Trainings des Prädiktors verantwortlich sind. Jeder Evaluator bewertet die Ergebnisse des Prädiktors im Hinblick auf ein bestimmtes Kriterium und gibt einen entsprechenden Skalarwert als Maß für die Erfüllung des Kriteriums zurück. Die Ausgaben der Prädiktoren werden in einem einzigen Wert zusammengefasst, der als Fehlerfunktion dient. Während des Trainings wird der Prädiktor mit zufällig generierten Datensätzen gespeist und seine Parameter werden mit der Fehlerfunktion als Ziel optimiert. Die PEN-Methode ist im Vergleich zur konventionellen TO viel schneller, da der rechenintensive Teil in das Training verlagert wird. Nach dem Training ist der Prädiktor in der Lage, Geometrien zu liefern, die nahezu identisch mit denen sind, die von herkömmlichen Optimierern erzeugt werden.

Die Veröffentlichungen zu dem Forschungsbereich sind hier verfügbar.

 

Das Online Tool ermöglicht es Ihnen, die erste Entwicklungsstufe selbst zu testen.