Die Digitalisierung revolutioniert alle Bereiche unseres Lebens. Methoden der Künstlichen Intelligenz wie Maschinelles Lernen werden zukünftig auch in der Chemischen Verfahrenstechnik eine immer wichtigere Rolle spielen. Die Gruppe um Professorin Sabine Beuermann und Dr. Marco Drache vom Institut für Technische Chemie (ITC) sowie Dr. Jelena Fiosina und Professor Jörg P. Müller vom Institut für Informatik (IFI) werden in den nächsten drei Jahren gemeinsam im Projekt ML-PRE: „Maschinelles Lernen für Erklärbares Roundtrip Polymer Reaction Engineering“ forschen. Das Projekt ist Teil des neuen Schwerpunktprogramms SPP 2331 „Maschinelles Lernen in der Verfahrenstechnik. Wissen trifft auf Daten: Interpretierbarkeit, Extrapolation, Verlässlichkeit, Vertrauen“ der DFG.
Insbesondere für Polymere, die in unserem Alltag und in der Technik allgegenwärtig sind, bietet sich die Verknüpfung von Maschinellem Lernen mit der Prozesssimulation an, denn die Eigenschaften der Polymere werden durch den Herstellungsprozess festgelegt. Deren Modellierung und Simulation ist damit von zentraler Bedeutung. „Durch intelligente Regelung der Reaktionsbedingungen und Prozessparameter in technischen Prozessen werden Polymere mit maßgeschneiderten Eigenschaften erzeugt. Eine große Herausforderung ist es jedoch, den Prozess schnell und robust umzustellen, so dass ‚on demand‘ Polymere mit anderen Eigenschaften entstehen“, sagt Professorin Beuermann vom ITC. „Als Ergebnis der Simulation von Polymerisationsprozessen erhalten wir eine sehr große Zahl an individuellen Polymermolekülen mit unterschiedlicher Struktur, so dass der Rechenaufwand sehr groß ist. Für die schnelle und effiziente Vorhersage von neuen Prozessparametern sind KI-Methoden deshalb sehr attraktiv“, betont Dr. Drache.
Das Projekt ML-PRE hat den Anspruch, aktuelle Methoden des datengetriebenen Lernens zur Lösung dieses schwierigen Problems zu nutzen. „Eine neue Idee dabei ist, zum Trainieren der KI-Algorithmen nicht nur im Labor erhobenen Realdaten zu nutzen, sondern auch Datensätze zu verwenden, die der am ITC entwickelte Simulator mcPolymer erzeugt“, sagt Dr. Fiosina, Expertin für Maschinelles Lernen am IFI. Professor Müller (IFI) führt aus: „Ein entscheidender Faktor für die Akzeptanz von Ansätzen der KI-gestützten Modellierung und Simulation ist, dass diese nachvollziehbar und erklärbar sind. Das heißt, unser System sollte auf Fragen des Prozess-Ingenieurs wie ‚Warum schlägst Du mir eine bestimmte Änderung der Prozessparameter vor?‘ sinnvolle Antworten geben können. Die Erweiterung der KI-Modelle um Erklärungsfunktionen für Beobachtungen und Ergebnisse ist ein wesentliches Ziel des Projekts.“
Kontakt:
TU Clausthal
Presse- und Öffentlichkeitsarbeit
Telefon: +49 5323 72-3904
E-Mail: presse@tu-clausthal.de
