AI Engineering Lab
Science Support Lab Team (SST) für Research Software Engineering und Hybride Modelle in den Domänen Engineering, Energie, Circular Economy und Materialwissenschaften
Das Science Support Team (SST) ist Ihr methodischer Partner für die Digitalisierung in der Forschung insbesondere in den Ingenieurs Disziplinen. Wir unterstützen Wissenschaftlerinnen, Wissenschaftler und Ingenieure dabei, komplexe technische und naturwissenschaftliche Fragestellungen mit modernsten Methoden der Künstlichen Intelligenz und datengetriebenen Modellierung effizient zu lösen.
Unser Ziel ist es, Ihnen als Forschenden und Ingenieur*innen in Universitäten, Hochschulen und Industrie den Zugang zu innovativen KI-Werkzeugen zu erleichtern, damit Sie sich optimal auf Ihre fachspezifischen Forschungsaspekte konzentrieren können.
Unser Service: Methodische Lösungen für Ihre Forschungsherausforderungen
Als Forschende oder Ingenieure in stoßen Sie bei komplexen technischen und naturwissenschaftlichen Fragestellungen oft an methodische oder rechnerische Grenzen?
Das Science Support Team (SST) ist Ihr methodischer Partner, um genau diese Hürden zu überwinden!
Problem: Rechenzeit ist Ihr limitierender Faktor
Dauern Ihre komplexen Simulationen zu lange und bremsen Ihren Forschungsfortschritt?
Unsere Lösung: Wir ersetzen rechenaufwändige Simulationen durch hochperformante, datenbasierte Algorithmen.
- Wir entwickeln Surrogatmodelle (Ersatzmodelle), die Ihre Simulationsketten um Größenordnungen beschleunigen – bei minimalem Genauigkeitsverlust.
- Zudem entwerfen wir effiziente, schlanke KI-Architekturen und überführen Ihre Labordaten und Messreihen direkt in prädiktive Modelle.
📦 Problem: "Black-Box"-KI greift zu kurz und ignoriert die Physik
Sind Ihnen herkömmliche KI-Verfahren zu undurchsichtig oder scheitern sie, weil sie physikalische Grundlagen ignorieren?
Unsere Lösung: Wir machen Modelle intelligenter, indem wir auf eine Symbiose aus Ingenieurwissen und KI setzen (Hybride Modelle).
- Wir integrieren physikalische Gesetze (wie thermodynamische oder mechanische Teilmodelle) direkt in moderne ML-Pipelines.
- Ihr Domänenwissen fließt als Constraint (Randbedingung) gezielt in das Training der Modelle ein.
- Wir setzen auf Explainability (Erklärbarkeit): Statt schwarzer Kästen liefern wir nachvollziehbare, graue Kästen, die Vertrauen schaffen.
📉 Problem: Fehlende Daten oder komplexe Gleichungssysteme
Liegen Ihnen nur unvollständige Trainingsdaten vor oder sind Sie bei der Lösung von Differentialgleichungen (PDEs/ODEs) nicht auf klassische Gitter angewiesen?
Unsere Lösung: Wir wenden gezielte "Sparse Data Strategies" an, um selbst bei wenigen oder lückenhaften Daten robuste Vorhersagen zu treffen.
- Mit Physics-Informed Neural Networks (PINNs) nutzen wir KI als diskretisierungsfreien Solver für komplexe Gleichungssysteme.
- Die Einhaltung von Naturgesetzen wird dabei verlässlich durch die Verlustfunktion (Loss Function) des Netzes erzwungen, was physikalische Konsistenz garantiert.
Unsere Referenzen & Partner
Hier konnten wir bereits in der Vergangenheit zusammen mit Domänenexperten aus Niedersachen Erfolge erzielen:
Diese Arbeit ist ein Paradebeispiel für unseren Service. Um das mechanische Verhalten von Mikrostrukturen zu berechnen, wurden extrem rechenaufwändige physikalische Multiskalen-Simulationen durch ein datengetriebenes KI-Ersatzmodell (Neural Operator) abgelöst. Der entscheidende Vorteil: Das physikalische Domänenwissen (wie z. B. Gleichgewichtsbedingungen) wurde direkt in die Architektur der KI integriert. Dadurch bleibt das Modell physikalisch konsistent und beschleunigt den Modellierungsprozess massiv.
Datengetriebene raumzeitliche Modellierung für den Hochwasserschutz
„Das KI basierte Hochwasserwarnsystem ist seit uns 2021 bei uns in Betrieb und konnte sich auch im Winterhochwasser 2023/24 bewähren.“ – Maximilian Delius, Untere Wasserbehörde Stadt Goslar
Das Projekt wurde zudem mit dem Preis Niedersächsische Klimakommune 2024 prämiert.
Referenz: R2RNet: A deep spatiotemporal RaintoRiverNetwork for water level prediction and flood forecasting
In dieser Arbeit demonstrieren wir die Stärke datengetriebener Modellierung bei der Verarbeitung hochkomplexer, raumzeitlicher Sensordaten. Durch maßgeschneiderte Deep-Learning-Architekturen zur Wasserstands- und Hochwasservorhersage auf Basis von Radardaten zeigen wir, wie KI-Verfahren präzise Vorhersagen in Echtzeit ermöglichen. Dies schließt Lücken in Bereichen, in denen rein physikalische Modelle aufgrund fehlender Parameter oder zu hoher Rechenzeiten an ihre Grenzen stoßen.
Generative KI für die Vorhersage von Batterielebenszyklen
Referenz: DiffBatt: A Diffusion Model for Battery Degradation Prediction and Synthesis
Dieses Projekt zeigt den erfolgreichen Einsatz modernster generativer KI im Engineering. Wir haben ein Modell entwickelt, das nicht nur den Kapazitätsverlust von Batterien präzise vorhersagt, sondern auch synthetische Degradationskurven erzeugen kann. Dies ist ein exzellentes Beispiel dafür, wie wir dem Problem spärlicher Daten ("Sparse Data") begegnen: Durch intelligente Datensynthese werden maschinelle Lernmodelle angereichert und robuster gemacht, um verlässliche Prognosen für komplexe technische Systeme zu ermöglichen.
KI-gestützte Kreislaufwirtschaft und Reparatur von Fahrrädern
„Bei unserem Vorhaben, aus alten und defekten Fahrrädern wieder voll funktionsfähige Modelle zu bauen (‚Aus 3 mach 1‘), war die manuelle Sichtung extrem zeitaufwändig. Das SST hat uns mit seiner KI-Lösung ein Werkzeug an die Hand gegeben, das Defekte auf Fotos automatisiert erkennt und direkt evaluiert, ob eine Reparatur wirtschaftlich sinnvoll ist. Diese passgenaue Entscheidungsunterstützung ist eine perfekte Symbiose aus Digitalisierung und gelebter Kreislaufwirtschaft, die unsere Prozesse massiv beschleunigt.“ — Robert Werner, CEO Ceconsoft
Dieses Projekt demonstriert unsere Expertise im Bereich der Circular Economy durch den Einsatz von Computer Vision. Um Ressourcen zu schonen und Abfall zu vermeiden, haben wir Deep-Learning-Modelle (Convolutional Neural Networks) entwickelt, die anhand von Bilddaten automatisiert Defekte an Fahrrädern (z. B. kaputte Ketten) erkennen und die generelle Reparierbarkeit bewerten. Dies ermöglicht es Dienstleistern, fundierte und schnelle Entscheidungen darüber zu treffen, ob sich eine Reparatur lohnt oder wie intakte Komponenten wiederverwendet werden können.
Kontaktieren Sie uns:
Haben Sie ein konkretes Modellierungsproblem oder möchten Sie evaluieren, wie KI Ihre Forschung beschleunigen kann? Sprechen Sie uns an!
E-Mail: stefan.wittek@tu-clausthal.de
Gefördert durch:
Niedersächsisches Ministerium für Wissenschaft und Kultur
unter dem Dach der Hochschule.digital Niedersachsen