Strömungsvorgänge spielen in Branchen mit einem weltweiten Volumen von mehreren Billionen Dollar eine zentrale Rolle, darunter Energie, Verkehr, Gesundheit und Verteidigung. Aufgrund der Vielzahl an Variablen ist es jedoch in der Regel unmöglich, das Verhalten von Strömungen in realistischen Szenarien direkt zu berechnen. Solche Strömungen besser zu verstehen und gezielter steuern zu können, birgt daher erhebliches wirtschaftliches und ökologisches Potenzial.
Das internationale Team, dem auch Forschende der Inha University (Südkorea), des KTH Royal Institute of Technology (Schweden), der HESAM University (Frankreich), der MediaTek (Vereinigtes Königreich) und des Deutschen Zentrums für Neurodegenerative Erkrankungen angehören, hat nun eine Plattform entwickelt mit dem Ziel, diese komplexe Aufgabe mithilfe von Reinforcement Learning zu lösen. Bei dieser Form des Maschinellen Lernens werden KI-Agenten durch die Interaktion mit ihrer Umgebung trainiert. Der Ansatz hat bereits entscheidende Fortschritte in Bereichen wie der Proteinfaltung und der Kernfusion ermöglicht.
Testumgebung für Reinforcement Learning zur Strömungssteuerung
Die KI-Agenten werden darauf trainiert, Strömungen über Oberflächen aktiv zu steuern. Indem physikalisches Wissen direkt in ihr Training einfließt, lässt sich der nötige Trial-and-Error-Aufwand bei der Optimierung der Steuerungsstrategien mit der neuen Plattform um bis zu 65 Prozent reduzieren. Die „HydroGym“ genannte Plattform ermöglicht zudem, verschiedene Steuerungsstrategien unter vergleichbaren Bedingungen zu testen und so besonders geeignete Ansätze für unterschiedliche Anwendungen zu identifizieren. Dazu zählen etwa effizientere Flugzeuge und Windkraftanlagen, die Lärmminderung bei Strahltriebwerken und die Kühlung von Supercomputern.
Von einfachen Strömungen zu realistischen Anwendungen
An einem Beispiel demonstrierte das Team, wie sich die Oberflächenreibung in einem Kanal minimieren lässt: Dieser bestand aus zwei ebenen Flächen, die ähnlich wie bei einem Airhockey-Tisch mit zahlreichen Öffnungen versehen waren. Sie trainierten ein Machine-Learning-Modell darin, die durch die Öffnungen strömende Luft so zu steuern, dass es reibungserhöhenden Turbulenzen entgegenwirkte und die ein- und austretenden Luftströme stets im Gleichgewicht hielt.
Anschließend wandten die Forschenden das Regelungsmodell auf ein deutlich komplexeres Szenario an: einen Abschnitt eines simulierten Flugzeugflügels. Dabei ließ sich die Reibung an der Flügeloberfläche um 38 Prozent und der Gesamtluftwiderstand um 11 Prozent reduzieren. Zugleich war das Training im einfacheren Szenario 100-mal schneller und 10.000-mal kostengünstiger als ein direktes Training am Flugzeugflügel.
Dass sich das Modell ohne zusätzliches Training auf neue Situationen übertragen lässt, deutet das Potenzial für die Entwicklung eines universellen Strömungsmodells an. Ein solches Modell würde genügend physikalische Gesetzmäßigkeiten erfassen, um auf unterschiedliche Turbulenzgrade, beliebige Oberflächenformen sowie Flüssigkeits- und Gasströmungen oder sogar Mischungen aus beiden angewendet werden zu können.
Mehr als 60 Umgebungen für Training und Vergleich
HydroGym ist nicht auf Modelle beschränkt, bei denen eine einzige „Schaltzentrale“ die Steuerung übernimmt. Die Plattform kann auch verteilte Steuerungssysteme trainieren und testen, bei denen einzelne Regler jeweils einen Bereich einer Oberfläche steuern und sich mit benachbarten Reglern abstimmen. Dies ist wichtig, da bei großen Oberflächen zu viele Informationen anfallen, als dass ein zentralisiertes Modell sie verarbeiten könnte. Ein System aus kleineren Reglern, die mittels Multi-Agent Reinforcement Learning trainiert werden, macht sich zunutze, dass die Strömung zwar räumlich und zeitlich variieren kann, über die gesamte Oberfläche hinweg aber denselben Gesetzmäßigkeiten folgt.
