Simulationen können komplexe ungesehene Phänomene vorhersehen, während maschinelles Lernen insbesondere bestehende Beobachtungen generalisieren kann. Beide Arten des Computational Engineerings eignen sich dazu durch den Einsatz massiver Rechenpower physikalische Phänomen besser zu erfassen.
Stand der Technik
Die Kopplung von physikalischer Modellierung und datenbasierter Modellierung ist oft jedoch schwierig und ist oft alles andere als trivial. Verschiedenste architekturale Muster können eingesetzt werden, um Simulation und KI besser zu koppeln. Darunter fallen Reinforcement Learning, Downscaling, Surrogatmodelle und Symbolische Regressionen.
Technologie
Das KIT hat in verschiedensten Bereichen Expertise bei der Kopplung von KI in Simulierte Systeme und der Einbindung von physikalischen Expertenwissen in KI-Systeme. Dazu zählen Zukunftsthemen wie die Modellierung gedruckter Elektronik genauso wie das Nowcasting und die Interpolation auf Basis von Luftqualitätsmesswerten und die nicht-lineare Kalibrierung von Sensoren.
Vorteile
Nutzen Sie unsere Dienste, um eine zielgenaue und insbesondere rechen-effiziente Lösung unter Nutzung von KI-Beschleunigern für Ihr konkretes Problem zu schaffen, dass sich nicht allein physikalisch oder nur auf Datenbasis lösen lässt.
