Von Quantensensorik und künstlicher Intelligenz

Der beginnende Klimawandel, weit verbreitete geopolitische Konflikte und soziale Ungleichheiten machen deutlich, dass Innovationen und Veränderungen notwendig sind, um eine bessere Welt zu schaffen.

Mit dem Projekt A-IQ Ready (Artificial Intelligence Using Quantum Measured Information for Realtime Distributed Systems at the Edge) haben sich 50 Projektpartner aus 15 Ländern (darunter die Hochschule Offenburg) zusammengeschlossen, um sich mit breiter Front den Problemen unserer und der bevorstehenden Zeit zu stellen. Ausgerüstet mit Cutting-edge-Technologien wie Quantensensorik und künstlicher Intelligenz arbeiten die Projektpartner in acht Supply Chains an neuartigen Methoden, um die Herausforderungen der Zukunft zu bewältigen.

Als Teil der Supply Chain "Propulsion Health and Availability in Safety-Critical Situations" forscht die Hochschule Offenburg an neuronalen Netzen und maschinellen Lernmethoden, um die Elektromobilität der Zukunft sicherer zu machen: Die Entwicklung neuartiger Quantensensorik wird Einblicke in das physikalische Verhalten hochausgelasteter Elektromotoren geben, die den Forscher*innen und Ingenieur*innen bisher verborgen waren. Dadurch sollen ein besseres Verständnis für das physikalische Verhalten des Motors in Fehlerfällen erlangt sowie Aussagen über den State-of-Health (SOH) und die Wahrscheinlichkeit eines bevorstehenden Ausfalls getroffen werden. Da die genauen Datenzusammenhänge schwer nachvollziehbar sind, werden an der Hochschule Offenburg neuronale Netze darauf trainiert, sich das Verhalten des Motors auf Basis der oben beschriebenen Sensordaten anzueignen. So entsteht ein digitales Abbild des Motors, das es erlaubt, ausgehend von problemlos zu messenden Größen auf interne Zustände schließen zu können, die in seriennahen Motoren (ohne teure Quantensensorik) unzugänglich wären.

Neuronale Netze und Machine Learning sind in aller Munde – und markieren unbestritten den State of the Art. Was genau gibt es denn noch zu erforschen?

Diese Frage gewinnt an Bedeutung, wenn man einen Arbeitsschritt weiterdenkt: Wie groß muss ein neuronales Netz eigentlich sein, um die bereitstehenden Informationen (sog. Trainingsdaten) sinnvoll erlernen und performant nutzen zu können? Wie genau bringt man dem Netz die Trainingsdaten überhaupt nahe? Sollten am besten alle Daten auf einmal vermittelt werden oder doch lieber Schritt für Schritt in kleinen Datenhäppchen?
Und selbst wenn der richtige Riecher oder ein Quäntchen Glück ein präzises neuronales Netz hervorgebracht hat, wird das Hinterfragen längst nicht obsolet, denn: Vielleicht gibt es ja andere Konfigurationen, die bei derselben Datengrundlage zu noch besseren Ergebnissen führen? Oder solche, die ähnlich präzise sind, aber dafür viel weniger Trainingszeit benötigen?

Genau diesen Fragen ging die Hochschule Offenburg im Rahmen des AIQ Ready Projekts auf die Spur: Für eine Fallstudie wurden verschiedene Einstellungsmöglichkeiten (sog. Hyperparameter) ausgewählt und hinsichtlich ihres Einflusses auf die Güte fertig trainierter Netze und die Trainingsdauer untersucht. Dabei zeichneten sich interessante Wirkmuster ab: Bereits kleine Unterschiede bei der Wahl der Hyperparameter können über Erfolg und Fehlschlag entscheiden.

Ein ausgewähltes Beispiel hierfür ist in Abb. 1 dargestellt: Zu sehen sind die Reaktionen zweier fertig trainierter neuronaler Netze (gelber Graph für Netz 1, blauer Graph für Netz 2, Abb. 1 oben) auf dieselbe Eingabesequenz (drei Graphen, Abb. 1 unten). Je eher die Ausgabe der Netze mit dem durch Messung bestimmten Referenzergebnis (oranger Graph, Abb. 1 oben) übereinstimmt, desto präziser sind sie. Beide Netze sind gleich aufgebaut und wurden mit identischen Daten trainiert – einzig die Untergliederung dieser Trainingsdaten in besagte Datenhäppchen ist unterschiedlich.
Der Einfluss hingegen ist gravierend: Während die Ausgabesequenz von Netz 1 überhaupt nichts mit dem Referenzergebnis gemein hat, performt Netz 2 fast deckungsgleich mit der Referenz. Bezogen auf elektrische Motoren bedeutet das: Netz 2 imitiert das Betriebsverhalten eines Motors sehr gut und kann entsprechend als digitales Abbild verwendet werden, Netz 1 hingegen arbeitet völlig an der Realität vorbei und ist entsprechend ungeeignet.