Skip to main content

Article Category

Article available in the folowing languages:

Training neuronaler Netze, damit sie mit dem Strom schwimmen

Ein besseres Verständnis der Bewegung von Flüssigkeiten kann in vielen Bereichen von Flugzeugtragflächen bis hin zu Hollywood-Filmen von Nutzen sein.

Grundlagenforschung

Wissen zur Bewegung von Flüssigkeiten im dreidimensionalen Raum ist für eine Reihe von Branchen von der Medizin bis zur Technik von zentraler Bedeutung und dient sogar der Entwicklung überzeugender Spezialeffekte in der Filmindustrie. Schwerpunkt des EU-finanzierten Projekts realFlow war daher, die Verbindung zwischen Strömungsmodellen und der realen Welt mithilfe von maschinellem Lernen zu verbessern. Normalerweise werden Strömungsmodelle so konstruiert, dass sie die Physik der realen Welt nachahmen, wodurch Forschende Simulationen durchführen können, die im Vergleich zu physikalischen Experimenten schneller und kostengünstiger sind. realFlow versuchte genau das Gegenteil zu erreichen: die Entwicklung eines Systems, das die zugrunde liegende Physik realer Beispiele erfassen kann. „Wenn ich mir zum Beispiel irgendwo eine aufsteigende Rauchwolke hernehme, möchte ich vorhersagen können, was die zugrunde liegenden Luftbewegungen bewirken“, erklärt Projektkoordinator Nils Thuerey von der Technischen Universität München. Ziel war es, eine solche Vorhersage allein mit zweidimensionalen Bildern treffen zu können. Dazu entschieden sich Thuerey und sein Team schon früh für maschinelles Lernen. Dabei wurden neuronale Netze mit Daten zu Strömungsbewegungen wie Rauchdichte und Strömungsgeschwindigkeit gespeist, die dann damit ihre eigenen Beschreibungen der beteiligten Physik erstellen konnten.

Tragflächen, Wetter und Blut

„Der ursprüngliche Vorschlag bestand darin, sowohl mit beobachteten als auch mit simulierten Daten zu arbeiten, um herauszufinden, was passiert“, so Thuerey. „Natürlich haben wir uns die Entwicklungen der letzten Jahre im Bereich der künstlichen Intelligenz zunutze gemacht. Wir haben maschinelles Lernen auf der Grundlage von Datensätzen ermöglicht, um diese verschiedenen Probleme lösen zu können.“ Laut Thuerey gehört sein Team außerdem zu den Ersten, die diese physikalischen Probleme mit Algorithmen des maschinellen Lernens verbinden. Die Fähigkeit, die zugrunde liegenden physikalischen Prozesse, die eine Flüssigkeit beeinflussen, anhand von Aufnahmen ihrer Bewegung zu verstehen, kann für viele Anwendungen von Nutzen sein, z. B. für die Analyse des Luftstroms, der über die Tragflächen eines Flugzeugs verläuft, oder der Kräfte, die Wettersysteme erzeugen. Ein weiterer Anwendungsbereich ist die Medizin, so Thuerey. „Hier werden Marker in Venen injiziert, wobei sich die Bewegung einer bekannten Menge in einem unbekannten Bereich nachvollziehen lässt“, erklärt er. „Wenn medizinische Fachkräfte eine sofortige Rückmeldung über die Druckverteilung in der Vene einer Patientin oder eines Patienten erhalten, könnten sie entsprechend in Echtzeit handeln.“

Rauchzeichen

Das Team von Thuerey versuchte auch, die Geschwindigkeit und Qualität, mit der Raucheffekte simuliert werden konnten, mithilfe einer Bibliothek vorgenerierter Daten zu verbessern. Anhand der Ausgangspositionen und der Geschwindigkeit von Rauchpartikeln erstellt ein neuronales Netz dann ein vereinfachtes Modell der erwarteten Bewegung. Anschließend wird die Datenbank nach hochwertigem Filmmaterial durchsucht, das diesen Bedingungen entspricht. Die Arbeit wurde durch den Europäischen Forschungsrat unterstützt. Thuerey sagt dazu: „Die Finanzhilfe war äußerst effektiv. Dadurch konnten wir arbeiten, ohne viel Zeit mit dem Ausfüllen von Förderanträgen zu verbringen und uns kurz darauf Gedanken zu machen, wie sofortige Ergebnisse erzielt werden können.“ Er fügt hinzu, dass das ERC-Stipendium auch bei seiner beruflichen Entwicklung geholfen habe und ein starkes Argument für seinen Verbleib an der Technischen Universität München sei. Zwischenzeitlich hat sich das Team außerdem einen Konsolidierungszuschuss gesichert, um seine Forschung weiter voranzutreiben. „Dieses Gebiet, das eine Kombination aus Deep Learning und physikalischer Simulation darstellt, hat sich stark weiterentwickelt“, so Thuerey abschließend. „Jetzt können wir den nächsten großen Schritt nach vorne wagen und uns mit praktischen Anwendungen beschäftigen. Denn es sind noch viele spannende Herausforderungen zu überwinden.“

Schlüsselbegriffe

realFlow, Rauch, Flüssigkeit, Simulationen, Geschwindigkeit, Dichte, dimensional, Druck, Verteilungen

Entdecken Sie Artikel in demselben Anwendungsbereich