Stellen Sie sich eine Welt vor, in der komplexe physikalische Systeme, vom Ausbreiten einer chemischen Wolke in der Luft bis hin zur Belastung eines Raumfahrzeugs bei Hyperschallgeschwindigkeit, sofort verstanden und vorhergesagt werden könnten. Dies ist das Versprechen von „digitalen Zwillingen“ – virtuellen Repliken realer Objekte, die sich in Echtzeit aktualisieren, sobald neue Daten eintreffen. Damit diese Zwillinge für die Notfallreaktion oder die Flugsteuerung nützlich sind, müssen sie ein spezielles Rätsel lösen, das als inverses Problem bekannt ist. Anstatt zu fragen, was passiert, wenn wir eine Einstellung ändern, fragt ein inverses Problem das Gegenteil: Angesichts dessen, was wir jetzt sehen, was war die Ursache? Wenn ein Sensor einen Anstieg der Schadstoffbelastung registriert, wo hat das Leck begonnen? Wenn die Haut eines Flugzeugs auf eine bestimmte Weise vibriert, welcher Druck wirkt darauf ein? Traditionell erfordert die Beantwortung dieser Fragen das Durchführen massiver, zeitaufwendiger Computersimulationen von physikalischen Gleichungen. Diese Simulationen sind so langsam, dass die Situation bereits verändert hat, bis die Antwort bereit ist, was eine Echtzeitsteuerung unmöglich macht.

Forscher der University of Texas at Austin und der Ohio State University haben eine neue Methode entwickelt, um diese Rätsel in einem Bruchteil einer Sekunde zu lösen, was echte Echtzeit-digitale-Zwillinge zur Realität werden lässt. Ihr Ansatz, der Neural Matrix Operator oder NEMO, verwendet eine spezialisierte Art künstlicher Intelligenz, um die Notwendigkeit langsamer, wiederholter Physikberechnungen zu umgehen. Anstatt den Computer darauf zu trainieren, die Antwort direkt zu erraten, lernt NEMO, die zugrunde liegende mathematische Struktur vorherzusagen, die die unbekannte Ursache mit der beobachteten Wirkung verbindet. Durch das Verständnis dieser Struktur kann das System die Lösung sofort berechnen, ohne die gesamte physikalische Welt jedes Mal neu simulieren zu müssen, wenn ein neuer Sensordatenwert eingeht. Dies ermöglicht eine schnelle Datenassimilation, bei der sich ein digitaler Zwilling in dem Moment aktualisiert, in dem neue Informationen verfügbar sind, um ein Krisenereignis oder einen Flugzustand zu erfassen.

Die Kernherausforderung, die das Team adressiert hat, besteht darin, dass viele physikalische Systeme durch partielle Differentialgleichungen gesteuert werden, welche komplexe mathematische Regeln beschreiben, wie sich Dinge über Raum und Zeit verändern. In diesen Systemen ist die Beziehung zwischen der unbekannten Quelle (wie einem Leck oder einer Kraft) und den gemessenen Daten oft linear – das heißt, die Effekte summieren sich auf eine vorhersehbare Weise auf –, aber das System selbst wird durch andere sich ändernde Faktoren wie Windgeschwindigkeit oder Temperatur nichtlinear beeinflusst. Traditionelle Methoden haben hier Schwierigkeiten, da sie jedes neue Szenario als eine frische, teure Berechnung behandeln. Die Forscher erkannten, dass die vollständige Physiksimulation zwar schwerfällig ist, die mathematische Abbildung, die die Unbekannten mit den Beobachtungen verbindet, jedoch eine einfachere, komprimierte Struktur besitzt, die gelernt werden kann. Sie bauten ein neuronales Netz, eine Art maschinelles Lernmodell, nicht um eine einzelne Zahl oder ein Bild auszugeben, sondern um eine Matrix auszugeben – ein Gitter aus Zahlen, das die gesamte Regelwerksstruktur für diesen spezifischen Moment darstellt.

Diese Matrix fungt als Abkürzung. Sobald das neuronale Netz diese Matrix für eine gegebene Menge an Bedingungen vorhersagt, kann der Computer eine standardmäßige, schnelle mathematische Formel verwenden, um die Antwort zu finden. Es ist wie das Besitzen eines Generalschlüssels, der in ein spezifisches Schloss passt; anstatt zu versuchen, das Schloss jedes Mal neu zu knacken (was langsam und schwierig ist), dreht man einfach den Schlüssel um (was instantan geschieht). Die Forscher testeten dies an zwei sehr unterschiedlichen realen Szenarien. Zuerst simulierten sie eine Notfallreaktion auf eine Kontaminantenfreisetzung auf einem Universitätscampus. Das Ziel war es, den ursprünglichen Ort und die Form eines Gaslecks basierend auf spärlichen Sensormessungen zu identifizieren, die zu verschiedenen Zeiten genommen wurden. In diesem Test identifizierte das NEMO-System die Quelle mit hoher Genauigkeit und erreichte die Qualität der langsamen, traditionellen Methode, tat dies jedoch tausendfach schneller.

In einem zweiten Test befasste sich das Team mit der extremen Umgebung des Hyperschallflugs, bei dem ein Fahrzeug mit Geschwindigkeiten von mehr als dem Fünffachen der Schallgeschwindigkeit fliegt. Bei diesen Geschwindigkeiten erhitzt die Luft die Oberfläche des Fahrzeugs so intensiv, dass direkte Drucksensoren nicht überleben können. Stattdessen müssen Ingenieure die Drucklasten ableiten, indem sie messen, wie sich die Struktur des Fahrzeugs biegt und verformt. Dies ist ein unglaublich schwieriges inverses Problem, da sich die Materialeigenschaften der Struktur mit der Temperatur ändern. NEMO lernte erfolgreich, die Temperaturbedingungen auf die Drucklasten abzubilden, was es ermöglichte, die Kräfte auf das Fahrzeug in Echtzeit zu schätzen. In beiden Fällen war die neue Methode mehr als tausendmal schneller als der traditionelle Ansatz des Ausführens des Physik-Solvers und bis zu 45.000 Mal schneller im Fall der Kontaminanten-Szenerie.

Über die Geschwindigkeit hinaus bietet die Methode einen signifikanten Vorteil in Bezug auf Zuverlässigkeit und Sicherheit. Da die Lösung aus einer klaren mathematischen Struktur abgeleitet wird und nicht aus einer „Black-Box“-Vermutung, kann das System auch berechnen, wie unsicher es sich über seine Antwort ist. Es kann dem Bediener nicht nur mitteilen, wo sich das Leck befindet, sondern auch, wie sicher es sich an diesem Ort ist, was bei Entscheidungen über Leben und Tod während eines Notfalls oder bei der Steuerung eines Raumfahrzeugs entscheidend ist. Die Forscher verglichen ihren Ansatz mit anderen fortgeschrittenen KI-Methoden, die versuchen, das inverse Problem direkt zu lernen. Sie fanden heraus, dass diese anderen Methoden zwar manchmal ähnliche Ergebnisse liefern konnten, aber jedes Mal komplexe Optimierungsprobleme lösen mussten, wenn eine neue Messung eintraf, was sie verlangsamte und ihre Leistung unvorhersehbar machte. NEMO hingegen liefert eine feste, sofortige Berechnung, die nicht je nach den spezifischen Daten schwankt.

Der Erfolg dieser Arbeit beruht auf der Tatsache, dass viele physikalische Systeme trotz ihrer Komplexität durch eine relativ geringe Anzahl grundlegender Muster beschrieben werden können. Die Forscher nutzten eine Technik namens Reduced-Basis-Approximation, um diese Muster zu identifizieren, und lehrten die KI effektiv, das Rauschen zu ignorieren und sich auf die wesentlichen Merkmale des Problems zu konzentrieren. Dies ermöglicht es dem neuronalen Netz, klein und effizient genug zu sein, um auf Standard-Computerhardware zu laufen, und dennoch leistungsstark genug, um die gewaltigen Dimensionen der realen Physik zu bewältigen. Das Team demonstrierte, dass ihr Ansatz selbst dann funktioniert, wenn die Daten verrauscht oder unvollständig sind – eine gängige Realität in diesem Bereich. Indem sie die physikalischen Gesetze des Systems innerhalb des Lernprozesses bewahren, stellen sie sicher, dass die generierten Antworten nicht nur statistisch wahrscheinlich, sondern physikalisch möglich sind.

Diese Forschung stellt einen bedeutenden Schritt nach vorn für den Einsatz digitaler Zwillinge in kritischen Anwendungen dar. Sie überführt das Feld von der theoretischen Möglichkeit in die praktische Nutzbarkeit und zeigt, dass es möglich ist, komplexe physikalische Probleme in Echtzeit zu lösen, ohne die Genauigkeit zu opfern. Die Fähigkeit, das Modell der Luftqualität einer Stadt oder die strukturelle Integrität eines Raumfahrzeugs sofort zu aktualisieren, öffnet die Tür zu neuen Ebenen der Automatisierung und Sicherheit. Wie die Autoren anmerken, findet das Training dieser Modelle „offline“ statt, was bedeutet, dass die schwere Arbeit einmalig erledigt wird und das resultierende System für den sofortigen Einsatz im Feld bereit ist. Diese Trennung von Training und Betrieb ist der Schlüssel, um die Technologie für Echtzeit-Steuerungssysteme nutzbar zu machen, in denen jede Millisekunde zählt. Die Arbeit legt nahe, dass künstliche Intelligenz mit der richtigen mathematischen Rahmung ein mächtiges Werkzeug werden kann, um die physische Welt zu verstehen – nicht nur durch das Erkennen von Mustern, sondern durch das Lösen der grundlegenden Gleichungen, die sie regieren.