Physik-informierte KI-Verfahren zur Vorhersage komplexer Systeme
In der Forschungsgruppe Innovative Rechenmethoden entwickeln und optimieren Dennis Duncan und Christoph Raeth am Institut für KI-Sicherheit Verfahren für Hybrid Reservoir Computing. Dabei kombinieren sie datengetriebene und modellbasierte Prädiktionen, um komplexe physikalisch-technische Systeme besser vorhersagen zu können. Mit diesen Methoden lassen sich, z.B. Instabilitäten in Turbinen oder Frequenzschwankungen in Stromnetzwerken vorherzusagen.
ReservoirComputing (RC) gehört zu den vielversprechendsten KI-Ansätzen für die Vorhersage komplexer Systeme. In seiner ursprünglichen Form ist RC ein rein datengetriebenes Verfahren. Anders als bei z.B. soziologischen Systemen bieten physikalisch-technische Systeme häufig zumindest ungefähres Vorwissen über das zugrundeliegende Modell. Beim hybriden Reservoir Computing kann nun genau dieses ungefähre Wissen über das Modell zusätzlich in die Vorhersage einfließen und erweitert so den klassischen RC-Ansatz.
In der aktuellen Arbeit wurden verschiedene Kombinationsmöglichkeiten (Abb.1: input hybrid, output hybrid, full hybrid) der datengetriebenen und modellbasierten Elemente im hybriden RC entwickelt und bezüglich ihrer Güte getestet. Anhand von den chaotischen Modellsystemen wird gezeigt, dass alle hybriden Ansätze - egal in welche Kombination – die Vorhersagegüte signifikant verbessern. Dabei liefert das Verfahren die besten Ergebnisse, bei dem die datengetriebenen und modellbasierten Vorhersagen erst in der Ausgabeschicht des rekurrenten neuronalen Netzes (output hybrid) zusammengeführt werden.
Die Prädiktionsgüte der output hybrid Kombination wird bei sehr guten Modellen von dem input hybrid und full hybrid Ansatz zwar manchmal leicht übertroffen, aber die Vorhersage sinkt – im Gegensatz zu den beiden anderen hybriden Verfahren – nie unter das Niveau des klassischen RC-Ansatzes . Auch dann nicht, wenn das Modell schlecht oder völlig inkompatibel mit der Systemdynamik ist. Dadurch kann in diesem output hybrid Fall immer eine zuverlässigere Vorhersage gewährleistet werden. Ein weiterer Vorteil: nur in dieser Konfiguration ist es möglich, herauszufiltern, welchen Anteil jeweils die datengetriebenen und modellbasierten Vorhersagen zur Gesamtvorhersage haben. So wird eine größere Interpretierbarkeit der Ergebnisse erreicht (Abb. 2).
Die Arbeit ist ein Meilenstein des DLR Projektes PISA (=Physics InSpired Ai). Ziel ist die Entwicklung hybrider KI-Methoden, die später in physikalisch-technischen Anwendungen eingesetzt werden können, z.B. in der Vorhersage und Kontrolle von Verbrennungsinstabilitäten in Triebwerken. An PISA sind neben dem Institut für KI-Sicherheit auch die DLR Institute für Software Technologie, das Institut für Aerodynamik und Strömungstechnik sowie das Institut für Raumfahrtantriebe beteiligt.