Die Revolution im Ingenieurwesen: Die neue Rolle der KI beim Lösen komplexer Gleichungen schneller als Supercomputer

Supercomputer sind für ihre hohe Leistung bekannt, die es ihnen ermöglicht, komplexe rechnerische Probleme zu lösen. Die schnellsten Computer der Welt, diese Maschinen können massive Datensätze verarbeiten und komplexe Berechnungen mit hoher Geschwindigkeit durchführen, wobei sie bis zu eine Quintillion Berechnungen pro Sekunde lösen können.

Interessanterweise hat das Technologieunternehmen Google enthüllte seinen nächsten Chip der nächsten Generation namens ‘Willow’, der mit supraleitenden Qubits arbeitet und ein komplexes mathematisches Problem in nur fünf Minuten lösen kann, während er Fehler exponentiell reduziert. 

Trotz seiner beeindruckenden Leistung ist der Quantenchip bei weitem nicht in der Lage, zu brechen moderne Kryptografie.

Mit all dem kommt eine neue Künstliche Intelligenz (KI) mit der Fähigkeit, komplexe ingenieurtechnische Probleme noch schneller als Supercomputer zu lösen. Die neue technologische Lösung stammt von Forschern der Johns Hopkins University, die das Potenzial haben, die Ingenieurwelt zu verändern.

Das neue Zeitalter der KI 

Nachdem KI jahrelang ein heißes Thema war, wird sie endlich sinnvoll über Schlüsselindustrien hinweg eingesetzt. Ihr enormes Potenzial zur Steigerung von Effizienz und Produktivität lässt ihren Markt in diesem Jahr über 184 Milliarden Dollar hinaus wachsen und ist voraussichtlich zu einem Umsatzanstieg von mehr als 15 Billionen Dollar bis zum Ende dieses Jahrzehnts.

Ein aktueller Bericht ergab, dass 68 % der Unternehmen entweder aktiv Generative KI einsetzen oder nach erfolgreichen Pilotprojekten Fahrpläne entwickelt haben.

Während KI weiterhin verschiedene Branchen transformiert, insbesondere das Ingenieurwesen, stehen die Menschen nun vor der Herausforderung, veraltet zu werden. Schätzungen zufolge könnten in den nächsten zehn Jahren bis zu 40 % der Ingenieuraufgaben automatisiert werden.

Um die Auswirkungen von KI auf die Welt zu verstehen, müssen wir zunächst begreifen, dass KI lediglich eine Technologie ist, die Maschinen und Computer befähigt, menschliches Denken, Lernen, Verstehen, Problemlösen, Entscheidungsfindung und Kreativität zu simulieren.

Unter KI liegt das maschinelle Lernen, bei dem ein Algorithmus trainiert wird, Modelle zu erstellen, die Daten nutzen, um Entscheidungen und Vorhersagen zu treffen.

Es gibt verschiedene Arten von Algorithmen oder Techniken des maschinellen Lernens, wobei künstliche neuronale Netze zu den beliebtesten gehören. Diese Netze sind nach der Struktur und Funktion des menschlichen Gehirns modelliert.

Deep Learning, ein Teilbereich des maschinellen Lernens, verwendet mehrschichtige neuronale Netze, die noch effektiver die komplexe Entscheidungsfähigkeit des menschlichen Gehirns simulieren. Diese Netze lernen aus Daten und werden eingesetzt, um verschiedene Probleme zu lösen, von Bild- und Spracherkennung bis zur Verarbeitung natürlicher Sprache.

Deep Learning verändert grundlegend, wie Maschinen mit komplexen Daten interagieren, und kann die menschliche Leistungsfähigkeit übertreffen, während es hohe Genauigkeit erreicht.

KI zur Bewältigung komplexer Probleme einsetzen 

KI bietet zahlreiche Vorteile, wie die Automatisierung repetitiver Aufgaben, weniger menschliche Fehler, Rund-um-die-Uhr-Verfügbarkeit und verbesserte Entscheidungsfindung, was zu ihrer Anwendung in allen Arten von Unternehmen über verschiedene Branchen hinweg geführt hat.

Die Fähigkeit der Technologie, große Datenmengen effizient zu analysieren, Muster zu erkennen, die Menschen möglicherweise übersehen haben, und schließlich schnelle Berechnungen durchzuführen, macht KI zu einem großartigen Werkzeug zur Lösung komplexer Probleme. Wenn es um große Datensätze und komplexe Entscheidungsszenarien geht, die für Menschen zeitaufwendig oder unmöglich zu bewältigen wären, kann KI enorm hilfreich sein.

Daher gibt es einen wachsenden Fokus auf den Einsatz von KI zur Lösung komplexer Probleme. Vor einem Jahr nutzten Forscher von MIT und ETH Zürich maschinelles Lernen, um das Optimierungsproblem der effizienten Routenplanung von Urlaubs­paketen für Unternehmen wie FedEx zu lösen.

Diese Unternehmen verwenden eine Software namens Mixed-Integer Linear Programming (MILP)-Solver, die das Problem in kleinere Teile zerlegt und generische Algorithmen nutzt, um die beste Lösung zu finden, was Stunden oder sogar Tage dauern kann.

Hier ist der entscheidende Teil, der den gesamten Prozess verlangsamt, dass MILP‑Solver zu viele mögliche Lösungen haben. Die Forscher setzten einen Filtermechanismus ein, um diesen Schritt zu vereinfachen, wodurch die MILP‑Solver um 30‑70 % beschleunigt wurden, ohne die Genauigkeit zu beeinträchtigen. Dafür basierte die Technik auf dem Prinzip des abnehmenden Grenznutzens und nutzte anschließend maschinelles Lernen, das mit einem für das Problem spezifischen Datensatz trainiert wurde, um die optimale Lösung aus der reduzierten Anzahl von Optionen zu finden.

Anfang dieses Monats stellte das in London ansässige Startup PhysicsX ein großes Geometriemodell namens LGM‑Aero für die Luft- und Raumfahrttechnik vor. Das Geometrie‑ und Physikmodell wird voraussichtlich dazu beitragen, die Entwicklungszeit von Flugzeugkonzepten deutlich zu reduzieren. Das Unternehmen hat eine Referenzanwendung (‘Ai.rplane’) auf Basis von LGM‑Aero öffentlich zugänglich gemacht, um die Fähigkeiten seines Modells bei der Erzeugung von Flugzeugdesigns und der Vorhersage von physikalischen Aspekten der Flugzeugleistung zu demonstrieren. 

Das Modell wird trainiert auf Amazon Web Services (AWS) Cloud-Computing mit über 25 Millionen verschiedener Formen, die über 10 Milliarden Eckpunkte repräsentieren. Seine Trainingsdaten umfassen zudem eine Sammlung von Computational Fluid Dynamics (CFD)- und Finite-Elemente-Analyse (FEA)-Simulationen, die in Zusammenarbeit mit Siemens erstellt wurden. 

Ähnlich wie LLMs Text verstehen, verfügt das LGM über ein umfangreiches Wissen über die für die Luft- und Raumfahrttechnik wichtigen Formen und Strukturen und kann daher, laut CEO Jacomo Corbo, „in Sekunden über mehrere Physikarten hinweg optimieren, um viele Größenordnungen schneller als numerische Simulationen zu sein und dabei dieselbe Genauigkeit zu erreichen.“

In diesem Jahr hat OpenAI, das von Microsoft unterstützte KI‑Forschungsunternehmen hinter ChatGPT, ebenfalls seine neuesten Modelle, o1‑preview und o1‑mini, vorgestellt und einen bedeutenden Sprung in den Denkfähigkeiten großer Sprachmodelle (LLMs) beansprucht. 

Das Modell verfügt über die Fähigkeit, „Chain-of-Thought‑Reasoning“ zu nutzen, ähnlich dem, was Menschen beim Lösen eines Problems tun, indem komplexe Aufgaben in kleine, handhabbare Teilaufgaben zerlegt werden. Der Einsatz von menschenähnlichem Denken in LLMs wurde bereits zuvor von Google Research und anderen beobachtet.

Ein neues KI‑Modell zur Lösung von PDEs

Während die Nutzung und Beliebtheit von KI weiter zunimmt, wachsen auch ihre Fähigkeiten, da Forscher und Unternehmen daran arbeiten, die Technologie zu verbessern und genauer zu machen. 

Der neueste KI‑Framework der Forscher von Johns Hopkins verfolgt einen generischen Ansatz, um Lösungen für zeitaufwändige und verbreitete mathematische Gleichungen vorherzusagen. Die partiellen Differentialgleichungen (PDEs) sind eine allgegenwärtige Aufgabe im Ingenieur- und medizinischen Forschungsbereich. 

Allerdings können die damit verbundenen Rechenkosten prohibitiv hoch sein. Zudem erforderten das Lösen dieser riesigen mathematischen Probleme bislang in der Regel Supercomputer, jedoch nicht mehr. 

Das neue KI‑Framework ermöglicht es sogar Personalcomputern, diese partiellen Differentialgleichungen zu bearbeiten, die Wissenschaftler nutzen, um reale Prozesse oder Systeme in mathematische Darstellungen zu übersetzen, die beschreiben, wie sich Objekte über Zeit und Raum verändern.

Dies ist nicht das erste Mal, dass ein KI‑Modell zur Lösung von PDEs vorgeschlagen wurde; tatsächlich wurde die Idee vor einigen Jahrzehnten erstmals geteilt. Im aufstrebenden Feld des wissenschaftlichen maschinellen Lernens gewinnt das Lösen partieller Differentialgleichungen mit neuronalen Netzen in den letzten zehn Jahren dank der Fortschritte in der Rechenleistung für das Training tiefer neuronaler Netze viel Aufmerksamkeit.

Trotz des Erfolgs des neuronalen Operators, der KI nutzt, um den PDE‑Lösungsoperator zu erlernen, stellte die neueste Forschung fest, dass weiterhin Rechenengpässe bei Optimierungs- und Prognoseaufgaben bestehen. Dies liegt an der Unfähigkeit der neuronalen Operatoren, PDE‑Lösungen zu bewerten, die von der Geometrie abhängen.

Derzeit werden die meisten neuronalen Operator‑Frameworks, wie die Studie feststellte, auf einem Gebiet mit festen Grenzen entwickelt. Zudem erfordern Formvariationen ein erneutes Training des neuronalen Netzwerks. 

Um diese rechnerischen Herausforderungen anzugehen, schlugen die Forscher daher DIMON — Diffeomorphic Mapping Operator Learning — vor. Dafür kombinierten sie neuronale Operatoren mit diffeomorphen Abbildungen zwischen Domänen und Formen. 

Das Modell eliminiert die Notwendigkeit, Gitter bei jeder Formänderung neu zu berechnen. Auf diese Weise kann DIMON Simulationen beschleunigen und Designs optimieren, indem es lediglich vorhersagt, wie physikalische Elemente wie Bewegung, Spannung und Wärme sich über verschiedene Formen hinweg verhalten, anstatt komplexe Formen in kleine Elemente zu zerlegen.

Im Allgemeinen beinhaltet das Lösen dieser Gleichungen das Zerlegen komplexer Formen, wie menschlicher Organe oder Flugzeugflügel, in Gitter oder Netze aus kleinen Elementen. Das Problem wird dann auf jedem einfachen Teilstück gelöst, bevor es wieder zusammengeführt wird. 

Allerdings, wenn sich diese Formen aufgrund eines Aufpralls oder einer Verformung ändern, müssen die Gitter aktualisiert werden. Das bedeutet, dass die Lösungen ebenfalls neu berechnet werden müssen, was den gesamten Rechenprozess nicht nur teuer, sondern auch langsam macht. 

DIMON nutzt hier KI, um zu verstehen, wie physikalische Systeme mit verschiedenen Formen arbeiten. So müssen Forscher Formen nicht mehr in Gitter zerlegen und Gleichungen immer wieder neu lösen; stattdessen nutzt die KI die erlernten Muster, um vorherzusagen, wie unterschiedliche Faktoren sich verhalten, wodurch das Modellieren von formabhängigen Szenarien und das Optimieren von Designs effizienter und schneller wird.

Laut Mitverantwortlicher Natalia Trayanova, Professorin für Biomedizinische Technik und Medizin an der Johns Hopkins University:

“Während die Motivation zu seiner Entwicklung aus unserer eigenen Arbeit stammt, ist dies eine Lösung, von der wir glauben, dass sie allgemein einen enormen Einfluss auf verschiedene Ingenieurbereiche haben wird, weil sie sehr generisch und skalierbar ist.”

Ein Wendepunkt für Ingenieurgestaltungen

Das neue KI‑Framework bietet einen Ansatz, der schnelle Vorhersagen von PDE‑Lösungen auf mehreren Domänen ermöglicht. Darüber hinaus erleichtert es zahlreiche nachgelagerte Anwendungen mithilfe von KI. 

Bezüglich der Fähigkeiten des Modells stellte Trayanova fest, dass DIMON im Grunde jedes Problem in jedem Wissenschafts‑ oder Ingenieurbereich lösen kann, um PDEs auf mehreren Geometrien zu bearbeiten.

Dazu gehören Crashtests, die Analyse, wie Raumfahrzeuge auf extreme Umgebungen reagieren, die Bewertung, wie Brücken Belastungen standhalten, das Studium, wie Flüssigkeiten durch verschiedene Geometrien fließen, orthopädische Forschung und die Bewältigung anderer komplexer Probleme, bei denen Materialien und Formen sich ändern. Die Modellierung all dieser Szenarien kann jetzt dank des neuen KI‑Frameworks deutlich schneller durchgeführt werden.

Um die Anwendbarkeit des neuen Modells bei der Lösung anderer Ingenieurprobleme zu demonstrieren, testete das Team DIMON an mehr als 1.000 Herz‑„Digital Twins“. Diese Digital Twins sind hochdetaillierte Computermodelle der Herzen realer Patienten.

Durch das Lösen partieller Differentialgleichungen wird die kardiale Arrhythmie untersucht. Die Erkrankung verursacht unregelmäßige Herzschläge aufgrund eines Fehlverhaltens elektrischer Impulse. Die digitalen Herz‑Twins ermöglichen es Forschern, zu bestimmen, ob Patienten diese oft tödliche Erkrankung entwickeln könnten, und anschließend Behandlungsmöglichkeiten zu empfehlen.

Das neue KI‑Framework erwies sich als erfolgreich bei der Vorhersage, wie elektrische Signale durch jede einzigartige Herzform mit hoher Genauigkeit übertragen werden, ohne dass teure numerische Simulationen durchgeführt werden müssen.

Trayanova, die Direktorin der Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation, wendet datengetriebene Ansätze, rechnerische Modellierung und Innovationen in der kardialen Bildgebung an, um kardiovaskuläre Erkrankungen zu diagnostizieren und zu behandeln. Sie führt ständig neue Technologien in die Klinik ein.  

Allerdings bemerkte sie, dass ihre Lösungen noch zu langsam seien, da es etwa eine Woche dauert, das Herz eines Patienten zu scannen und PDE zu lösen, um vorherzusagen, ob der Patient ein hohes Risiko für plötzlichen Herztod hat, und anschließend den besten Behandlungsplan zu erstellen.

Doch mit ihrem neuesten Modell ist ein monumentaler Wandel zu beobachten.

“Mit diesem neuen KI‑Ansatz ist die Geschwindigkeit, mit der wir eine Lösung erhalten können, unglaublich.”

– Trayanova

Die Zeit, die es benötigt, um die Vorhersage eines Herz‑Digital Twin zu erstellen, wurde von mehreren Stunden auf nur eine halbe Minute (30 Sekunden) reduziert. Das ist noch nicht alles; die Berechnung erfordert nicht einmal einen Supercomputer. Stattdessen wird alles auf einem Desktop‑Computer durchgeführt, was Trayanova zufolge ermöglichen würde, “es in den täglichen klinischen Arbeitsablauf zu integrieren”.

Die Vielseitigkeit der Technologie macht sie perfekt für Situationen, in denen das wiederholte Lösen partieller Differentialgleichungen für neue Formen erforderlich ist. 

“Für jedes Problem löst DIMON zunächst die partiellen Differentialgleichungen auf einer einzelnen Form und überträgt dann die Lösung auf mehrere neue Formen. Diese formverändernde Fähigkeit unterstreicht seine enorme Vielseitigkeit. Wir freuen uns sehr, es für viele Probleme einzusetzen und es der breiteren Gemeinschaft zur Verfügung zu stellen, um ihre Ingenieurdesign‑Lösungen zu beschleunigen.”

– Minglang Yin, Postdoktorand an der Johns Hopkins Biomedical Engineering, der die Plattform entwickelt hat

Unternehmen, die KI vorantreiben

Werfen wir nun einen Blick auf Unternehmen, die die technologische KI‑Revolution zu neuen Höhen führen. 

1. NVIDIA Corporation (NVDA )

Ein führender Anbieter von GPUs, Nvidia ist das weltweit zweitgrößte Unternehmen mit einer Marktkapitalisierung von 3,28 Billionen $. Zum Zeitpunkt der Erstellung werden die Aktien zu 133,91 $ gehandelt, ein Anstieg von satten 171,9 % im laufenden Jahr, bei einem EPS (TTM) von 2,54, einem KGV (TTM) von 52,90 und einer Eigenkapitalrendite (ROE) (TTM) von 127,21 % bei einer Dividendenrendite von 0,03 %.

Die Hardware‑ und Software‑Lösungen des Unternehmens sind entscheidend für Deep‑Learning‑Anwendungen und Ingenieur‑Simulationen und spielen eine wichtige Rolle beim Vorantreiben der KI‑Revolution.

Angetrieben von der KI‑Manie, hat Nvidia gemeldet einen Umsatz von über 35 Billionen $ für das 3. Quartal, das am 27. Oktober 2024 endete, was einem Anstieg von 17 % gegenüber dem Vorquartal und einem enormen Anstieg von 94 % im Vergleich zum Vorjahr entspricht.

“Das Zeitalter der KI ist in vollem Gange und treibt einen globalen Wandel zu NVIDIA‑Computing voran,” sagte CEO und Gründer Jensen Huang, der weiter bemerkte, dass KI nicht nur Unternehmen und Branchen transformiere, sondern auch Länder, die “auf die Bedeutung der Entwicklung ihrer nationalen KI und Infrastruktur aufmerksam geworden sind”.

2. Microsoft Corporation (MSFT )  

Mit einer Marktkapitalisierung von 3,32 Billionen $ gehört Microsoft zu den drei größten Unternehmen der Welt nach Marktkapitalisierung. Die Aktien werden zum Zeitpunkt der Erstellung zu 447,24 $ gehandelt, was einem Anstieg von fast 19 % im laufenden Jahr entspricht. Dies bedeutet, dass das EPS (TTM) des Unternehmens bei 12,11, das KGV (TTM) bei 36,92 und die Eigenkapitalrendite (ROE) (TTM) bei 35,60 % liegt. Die von Microsoft gezahlte Dividendenrendite beträgt meanwhile 0,74 %.

Microsofts größte Beteiligung an KI erfolgt über OpenAI, in das es mehr als 13 Billionen $ investiert hat. Zusätzlich zu seiner Partnerschaft mit OpenAI, die kürzlich mit 150 Mrd. $ bewertet wurde, ist Microsoft stark in KI‑Forschung, Cloud‑Lösungen und Anwendungen für Ingenieur‑ und Wissenschafts‑Computing investiert.

Für den Zeitraum von Juli bis September meldete 65,6 Billionen $ Umsatz, ein Anstieg von 16 % gegenüber dem Vorjahr, während der Gewinn um 11 % auf 24,7 Billionen $ stieg. Dieses Wachstum wurde laut dem Finanzchef von Microsoft durch die anhaltend höhere Nachfrage als unsere verfügbare Kapazität angetrieben.

3. ANSYS, Inc. (ANSS )

Dieses Unternehmen spezialisiert sich auf Simulationssoftware für das Ingenieurwesen zur Lösung komplexer Probleme. Das Unternehmen, dessen Dienstleistungen von Studenten, Forschern, Designern und Ingenieuren genutzt werden, integriert zunehmend KI, um die Effizienz zu steigern.

Mit einer Marktkapitalisierung von 29,75 Billionen $ werden die Ansys‑Aktien derzeit zu 339,51 $ gehandelt, ein Rückgang von 6,24 % in diesem Jahr. Dies bedeutet, dass das EPS (TTM) des Unternehmens 6,47, das KGV (TTM) 52,55 und die Eigenkapitalrendite (ROE) (TTM) 10,48 % betragen.

Für das 3. Quartal 2024 meldete Ansys meldete 601,9 Millionen $ Umsatz, ein Anstieg von 31 % gegenüber dem dritten Quartal des Vorjahres, während der jährliche Vertragswert (ACV) 540,5 Millionen $ betrug. Die GAAP‑Betriebsgewinnmarge wurde mit 26,8 % angegeben, während die Non‑GAAP‑Betriebsgewinnmarge 45,8 % betrug. Der operative Cashflow für den Zeitraum belief sich auf 174,2 Millionen $, während die abgegrenzten Einnahmen und der Auftragsbestand 1.463,8 Millionen $ betrugen.

Fazit 

KI entwickelt sich rasant weiter, und die Einführung neuer KI‑Frameworks wie DIMON markiert einen revolutionären Schritt zur Lösung komplexer Ingenieurprobleme, während die dafür benötigte Zeit und die Rechenkosten drastisch reduziert werden. Auf diese Weise beschleunigt der Durchbruch nicht nur die Prozesse des Ingenieurdesigns, sondern erweitert auch die Anwendung von KI über diverse Bereiche.

Während Forscher zusammen mit Unternehmen wie Nvidia weiterhin große Entdeckungen machen, leistungsstarke Modelle bauen und Technologien vorantreiben, wächst das Potenzial, KI in den täglichen Arbeitsabläufen zu integrieren, exponentiell, was auf ein neues Zeitalter hinweist, in dem KI beispiellose Effizienz und Innovation vorantreibt!

Klicken Sie hier, um alles über Investitionen in Künstliche Intelligenz zu erfahren.