In der Welt des Entwerfens komplexer Maschinen, von den winzigen Computern in einem intelligenten Thermostat bis hin zu den massiven Steuerungssystemen eines modernen Stromnetzes, stehen Ingenieure vor einem hartnäckigen Problem: wie man das Verhalten eines Systems vorhersagt, bevor es gebaut wird. Traditionelle Methoden verlassen sich auf mathematische Formeln, die jedes physikalische Gesetz beschreiben, das am Werk ist, aber diese Formeln versagen oft, wenn Systeme zu chaotisch, zu alt oder zu stark von unvorhersehbaren menschlichen Gewohnheiten beeinflusst werden. Um diese Lücke zu schließen, haben Designer zu einem anderen Werkzeug gegriffen: maschinellem Lernen. Dies sind Computerprogramme, die Muster aus Daten lernen, anstatt starren Regeln zu folgen. Sie können schätzen, wie viel Energie ein Haus basierend auf dem Wetter verbrauchen wird, oder vorhersagen, wann ein Sensor ausfallen könnte. Das Einbetten dieser Lernprogramme in die Simulationssoftware, die Ingenieure für den Entwurf ihrer Systeme verwenden, war jedoch bisher umständlich. Normalt erfordert dies den Bau maßgeschneiderter Brücken zwischen verschiedenen Softwarewerkzeugen, ein Prozess, der langsam, fehleranfällig und schwierig ist, wenn man verschiedene Lernmethoden fair miteinander vergleichen möchte.

Ein Forschungsteam der Politecnico di Torino in Italien hat einen neuen Weg zur Lösung dieses Problems vorgestellt, genannt SAMpLE. Betrachten Sie es als einen universellen Adapter, der es jedem Modell für maschinelles Lernen ermöglicht, sich direkt in die Simulationsumgebung einzustecken, genau wie eine standardmäßige elektrische Komponente. Die Forscher entwickelten ein Framework, das diese Lernmodelle als native Bestandteile des Systems behandelt, sodass sie reibungslos neben dem Rest des Designs laufen können, ohne dass spezielle, einmalige Verbindungen erforderlich sind. Dieser Ansatz ermöglicht es Ingenieuren, zu testen, wie gut ein Lernmodell in einer virtuellen Umgebung funktioniert, indem sie sehen, ob es sich in Echtzeit an wechselnde Bedingungen anpassen kann oder ob es besser abschneidet, wenn es im Voraus trainiert wurde. Das Team demonstrierte, dass diese Methode zuverlässig funktioniert und Ergebnisse liefert, die den ursprünglichen Lernprogrammen fast exakt entsprechen, während sie gleichzeitig erlaubt, verschiedene Arten von Lernalgorithmen unter denselben Bedingungen nebeneinander zu testen.

Der Kern der Arbeit liegt darin, wie die Forscher ihre Simulation organisiert haben. Sie verwendeten eine spezifische Art der digitalen Logik namens „Timed Dataflow“, eine Methode zur Organisation von Computeraufgaben, bei der diese in einer strengen, vorhersehbaren Reihenfolge ablaufen und Daten in kleinen, regelmäßigen Portionen verarbeiten. Diese Struktur passt perfekt zur Funktionsweise des maschinellen Lernens: Beide nehmen eine Reihe von Eingaben entgegen, verarbeiten diese und erzeugen zu einem bestimmten Zeitpunkt eine Ausgabe. Durch das Erkennen dieser natürlichen Übereinstimmung schuf das Team ein System, in dem ein Lernmodell nicht übersetzt oder in zusätzliche Softwareschichten eingepackt werden muss. Stattdessen wird es zu einem Standardblock in der Simulation, der Daten empfängt, eine Vorhersage trifft und das Ergebnis innerhalb desselben Taktzyklus wie der Rest des Systems weitergibt.

Um dies zu ermöglichen, entwarfen die Forscher ein Framework, das zwei unterschiedliche Arten der Nutzung dieser Lernmodelle unterstützt. Der erste ist ein Offline-Ansatz, bei dem ein Modell separat auf leistungsstarken Computern trainiert und dann in ein Standardformat exportiert wird, das die Simulation lesen kann. Dies ermöglicht es Ingenieuren, Modelle zu verwenden, die mit populären externen Werkzeugen erstellt wurden, ohne sie von Grund auf neu schreiben zu müssen. Der zweite ist ein Online-Ansatz, bei dem das Modell direkt innerhalb der Simulation lernt, während diese läuft. Dies ist nützlich für Systeme, die in der Lage sein müssen, sich an neue Informationen anzupassen, sobald diese eintreffen, wie etwa ein Stromnetz, das sich an plötzliche Änderungen des Wetters oder des Verbrauchs anpassen muss. Das Framework handhabt beide Methoden nahtlos und stellt sicher, dass ein Modell, unabhängig davon, ob es außerhalb oder innerhalb der Simulation trainiert wurde, konsistent agiert und ausgetauscht werden kann, ohne das restliche Design zu unterbrechen.

Das Team testete sein System mit realen Daten aus zwei verschiedenen Quellen: einer, die den Stromverbrauch in einer Gruppe von Haushalten verfolgte, und einer anderen, die die Leistungsaufnahme einer ganzen Stadt überwachte. Sie führten Simulationen mit verschiedenen Typen von Lernmodellen durch, einschließlich einfacher linearer Prädiktoren und komplexerer baumbasierter Systeme. Die Ergebnisse zeigten, dass die Simulation die Vorhersagen der ursprünglichen Lernprogramme mit bemerkenswerter Genauigkeit reproduzieren konnte. Für die Stadtdaten, die einem glatten, vorhersehbaren Muster folgten, waren die Modelle nahezu perfekt und entsprachen den ursprünglichen Ergebnissen mit fast keinem Unterschied. Für die Haushaltsdaten, die viel verrauschter und schwieriger vorherzusagen waren, schnitt das System dennoch gut ab, obwohl die Modelle mit der Unvorhersehbarkeit stärker zu kämpfen hatten. Entscheidend war, dass die Forscher feststellten, dass die Online-Lernmodelle, die sich während des Betriebs anpassten, wesentlich besser mit den unordentlichen Haushaltsdaten umgehen konnten als die statischen Modelle, die im Voraus trainiert worden waren.

Eine der wichtigsten Erkenntnisse war die Fähigkeit, verschiedene Lernmethoden fair zu vergleichen. Da das Framework jedes Modell als Standardkomponente behandelt, können Ingenieure von einem Lernalgorithmus zum anderen wechseln, indem sie einfach eine Einstellung in einer Konfigurationsdatei ändern. Sie müssen keinen Code umschreiben oder die Simulation neu aufbauen. Dies ermöglicht einen direkten Vergleich dessen, wie verschiedene Algorithmen unter exakt denselben Bedingungen abschneiden, unter Verwendung derselben Daten. Das Team maß, wie lange jede Simulation dauerte und wie genau die Vorhersagen waren, wobei sie feststellte, dass einige Methoden viel schneller als andere waren, während einige je nach Datentyp genauer waren. Ein solcher direkter Vergleich war zuvor schwierig zu erreichen, da verschiedene Lernwerkzeuge oft unterschiedliche Setups erforderten, was eine faire Vergleichbarkeit unmöglich machte.

Die Forscher verifizierten auch, dass das System in verschiedenen Szenarien zuverlässig funktioniert. Sie zeigten, dass derselbe Simulationscode sowohl für die Haushaltsdaten als auch für die Stadtdaten verwendet werden konnte, indem lediglich die Eingabedateien ausgetauscht wurden, ohne die zugrunde liegende Software zu ändern. Diese Portabilität deutet darauf hin, dass das Framework auf viele verschiedene Arten von technischen Problemen angewendet werden kann, vom Management von Energienetzen bis hin zum Entwurf autonomer Fahrzeuge. Das System enthält zudem Werkzeuge zur Überprüfung der Datenqualität und der Modellleistung, die klare Berichte darüber liefern, wie gut die Vorhersagen mit der Realität übereinstimmten. Diese Transparenz hilft Ingenieuren, den Ergebnissen zu vertrauen und zu verstehen, wo ein Modell möglicherweise versagt.

Obwohl das System leistungsstark ist, sind sich die Forscher über seine derzeitigen Grenzen bewusst. Es ist für bestimmte Datentypen und Modelle konzipiert und setzt voraus, dass die Modelle in einem Standardformat exportiert werden. Das Team merkte an, dass die Online-Lernmodelle, obwohl sie exzellent darin waren, sich anzupassen, eine sorgfältigere Einrichtung erforderten als die Offline-Modelle. Sie wiesen auch darauf hin, dass das System ein Werkzeug zur Evaluierung und zum Design ist und keinen Ersatz für die tatsächliche physische Hardware darstellt. Das Ziel ist es, Ingenieuren dabei zu helfen, bessere Entscheidungen zu treffen, bevor sie etwas bauen, wodurch das Risiko von Fehlern gesenkt und Zeit sowie Geld gespart werden.

Die Arbeit stellt einen bedeutenden Fortschritt dar in der Art und Weise, wie Ingenieure künstliche Intelligenz in den Designprozess integrieren. Indem sie die Notwendigkeit maßgeschneiderter, ad-hoc gebastelter Verbindungen zwischen Lernwerkzeugen und Simulationssoftware eliminieren, macht das Framework es einfacher, neue Ideen zu experimentieren und verschiedene Ansätze zu vergleichen. Es verwandelt maschinelles Lernen von einem spezialisierten, schwer zu verwendenden Zusatz in einen Standard-, zuverlässigen Bestandteil des Werkzeugkastens der Ingenieure. Da Systeme immer komplexer und datengesteuerter werden, werden Werkzeuge wie dieses essenziell sein, um sicherzustellen, dass die Designs von morgen robust, effizient und bereit für die reale Welt sind. Die Forscher haben ihren Code und ihre Daten zur Verfügung gestellt und laden die breitere Gemeinschaft dazu ein, auf ihrer Arbeit aufzubauen und neue Möglichkeiten in der virtuellen Prototypenerstellung zu erforschen.