KI-Algorithmus für bessere Simulationen Nach den grundlegenden Gesetzen der Physik

Anbieter zum Thema

Ecole Polytechnique Fédérale de Lausanne (EPFL)

SolidCAM GmbH

ITWH Inst.f.technisch- wissensch. Hydrologie GmbH

Bohnhardt Cad-Consulting

Forschende an der École Polytechnique Fédérale de Lausanne (EPFL) haben einen KI-Algorithmus entwickelt, der komplexe dynamische Prozesse modellieren kann und dabei die Gesetze der Physik berücksichtigt – unter Verwendung des Dritten Newtonschen Gesetzes (Wechselwirkungsprinzip).

Künstliche Intelligenz hat in mehreren Bereichen große Durchbrüche ermöglicht. Doch die Modelle haben weiterhin Schwierigkeiten, die grundlegenden Gesetze der Physik zu befolgen. Als Menschen wissen wir intuitiv, dass Objekte fallen, aufspringen und Kräfte ausüben. Außerdem können wir dieses Wissen problemlos auf unterschiedliche Objekte und Größen übertragen.

Maschinen jedoch fehlt diese Einsicht. Das ist besonders für Wissenschaftlerinnen, Wissenschaftler und Ingenieurinnen und Ingenieure problematisch: Selbst ihre fortschrittlichsten KI-Modelle geraten ins Straucheln, wenn sie grundlegende physikalische Konzepte anwenden sollen, um komplexe, sich zeitlich entwickelnde Prozesse vorherzusagen – etwa die Bewegung des menschlichen Körpers, kollidierende Partikel oder Getriebemechanismen in Industrieanlagen und Robotern. Mit fortschreitender Zeit machen die Modelle zunehmend völlig inkohärente Vorhersagen über das Verhalten physikalischer Systeme, da sich Fehler anhäufen.

Klassische Modelle erfordern hohen Rechenaufwand

Am anderen Ende des Spektrums halten klassische Modelle die physikalischen Gesetze zwar strikt ein, benötigen jedoch einen enormen Rechenaufwand und sehr viel Rechenleistung, insbesondere bei Systemen mit vielen Objekten und Wechselwirkungen. Zudem stimmen Simulationen nicht immer vollständig mit realen Systemen und Beobachtungen überein. Und klassische Modelle müssen neu angepasst werden, wenn völlig neue Bedingungen oder Systemkonfigurationen auftreten.

Um Forschenden zuverlässigere KI-Werkzeuge zur Verfügung zu stellen, haben Wissenschaftlerinnen und Wissenschaftler am Intelligent Maintenance and Operations Systems (IMOS) Laboratory der EPFL einen KI-Algorithmus namens Dynami-CAL GraphNet entwickelt, der es KI-Modellen ermöglicht, die Gesetze der Physik kontinuierlich einzuhalten.

„Indem wir Newtons drittes Gesetz integriert haben, sind wir von einem KI-Modell, das versucht, physikalisches Verhalten aus Daten abzuleiten, zu einem Modell übergegangen, das darauf ausgelegt ist, die zugrunde liegende Physik zu befolgen“, sagt Vinay Sharma, Doktorand am IMOS-Labor.

Newtons Drittes Gesetz in die KI-Architektur geschrieben

In der physikalischen Welt lässt sich das Dritte Newtonsche Gesetz nicht umgehen: Jede Aktion hat eine gleich große und entgegengesetzte Reaktion. Wenn wir gehen, drücken wir uns vom Boden ab, um uns vorwärtszubewegen; werfen wir einen Ball gegen eine Wand, prallt er zurück; starten wir einen Motor, führt die entstehende Kraft zu einer Bewegung in entgegengesetzter Richtung. Newtons Gesetz ist ein Grundpfeiler der Physik und gilt universell – für Moleküle und Sandkörner ebenso wie für menschliche Körper und Maschinen.

Der von den IMOS-Forschenden verwendete KI-Algorithmus ist ein sogenanntes Graph Neural Network (GNN), also ein Modell, bei dem interagierende Objekte als Knoten und ihre Wechselwirkungen als Kanten in einem Netzwerk dargestellt werden. Dadurch eignen sich GNNs besonders gut zur Modellierung von Systemen mit mehreren interagierenden Komponenten. Für Dynami-CAL GraphNet haben die Forschenden Newtons drittes Gesetz direkt in die KI-Architektur eingebettet. So wird sichergestellt, dass der Algorithmus physikalisch konsistente Vorhersagen liefert und unrealistische oder inkohärente Kraftschätzungen verhindert – selbst in zuvor unbekannten Situationen.

Wissen, nicht raten

„Wir sind von einem KI-Modell, das mithilfe von Statistik versucht, das physikalische Verhalten von Objekten zu erraten, zu einem Modell übergegangen, das so konstruiert ist, dass es dieses Verhalten befolgt“, sagt Sharma. „Unser Ansatz kann nicht alle physikalischen Gleichungen ersetzen, aber er kann sicherstellen, dass Wechselwirkungen kohärent modelliert werden, und Forschenden stabile, glaubwürdige Simulationen ermöglichen.“

„Die meisten anderen Modelle brechen bereits nach wenigen Iterationen zusammen, aber Dynami-CAL GraphNet kann über 16‘000 Schritte in Folge modellieren, ohne von den Gesetzen der Physik abzuweichen“, sagt Prof. Olga Fink, Leiterin des IMOS-Labors.

Da Newtons Drittes Gesetz universell gilt, ist der Ansatz nicht von der Größe oder Art des Systems abhängig. „Das ermöglicht es unserem Modell nicht nur zu generalisieren – also Gelerntes auf ähnliche Situationen anzuwenden –, sondern auch zu extrapolieren, indem es zuverlässige Vorhersagen in völlig neuen Situationen liefert“, sagt Fink. „Diese Extrapolation gelingt maschinellen Lernalgorithmen nur selten gut.“ Dynami-CAL GraphNet kann – anders als andere KI-Modelle – Systeme mit vielen Objekten, höheren Geschwindigkeiten, ungewöhnlichen Konfigurationen und unterschiedlichen Umgebungen effektiv handhaben.

Erprobung in realen Szenarien

Die IMOS-Forschenden testeten ihren Algorithmus in realen Szenarien. Zunächst modellierten sie Kollisionen granularer Kugeln, wie sie in Silos oder industriellen Mischern vorkommen, wo Tausende von Partikeln kollidieren, rollen, aufspringen und an beweglichen Wänden reiben. Trainiert mit nur vier Simulationen einfacher Systeme mit einigen Dutzend Partikeln in einer stationären Box, konnte Dynami-CAL GraphNet auf Tausende von Partikeln in einem Mischer mit rotierenden zylindrischen Wänden extrapolieren. Das System wurde auch auf menschliche Bewegungen angewandt und konnte den Gang einer Person anhand einfacher Motion-Capture-Daten vorhersagen – ohne Informationen über die vom Boden ausgeübte Kraft zu erhalten.

„Wir haben außerdem untersucht, wie das System auf mikroskopischer Ebene funktioniert, indem wir die Dynamik von Proteinmolekülen in Lösung modelliert haben“, sagt Sharma. „Es konnte die winzigen Verformungen, die im Laufe der Zeit auftreten, erfolgreich vorhersagen.“

Training mit sehr wenig Daten

Fink sieht zwei große Vorteile von Dynami-CAL GraphNet. Der erste bestehe darin, dass es mit sehr wenig Daten trainiert werden könne und dennoch auf neue Systemkonfigurationen, unterschiedliche Betriebs- und Randbedingungen sowie größere Systeme generalisieren könne – vorausgesetzt, die zugrunde liegenden physikalischen Beziehungen bleiben gleich. „Zum Beispiel kann es die Dynamik erlernen, indem es aus Körperhaltungen eines gehenden Menschen jeweils den nächsten Zeitschritt vorhersagt, und daraus die gesamte zukünftige Bewegungsbahn ableiten.“

Der zweite Vorteil ist, dass die Ausgaben des Modells nicht nur stabiler und zuverlässiger, sondern auch transparent und für Nutzerinnen und Nutzer interpretierbar sind. Das ist wichtig, denn Anwenderinnen und Anwender eines Computermodells müssen wissen, wann und wie physikalische Gesetze angewendet werden, um dessen Ergebnisse angemessen bewerten und ihnen vertrauen zu können. Anders als manche KI-Modelle, die als „Black Box“ erscheinen, berechnet Dynami-CAL GraphNet physikalische Größen wie Kräfte, Drehmomente und den Austausch von Drehimpuls Schritt für Schritt auf nachvollziehbare Weise.

„Alle Zwischenschritte sind konsistent mit den Gesetzen der Physik“, sagt Fink. „Zum Beispiel kann eine Ingenieurin oder ein Ingenieur überprüfen, ob das Modell die Erhaltung von linearem und Drehimpuls eingehalten hat. Genau das schafft Vertrauen in ein Modell – insbesondere bei sicherheitskritischen Systemen.“

Autor: Cécilia Carron
Quelle: École Polytechnique Fédérale de Lausanne (EPFL)

Referenz:

Vinay Sharma & Olga Fink, A physics-informed graph neural network conserving linear and angular momentum for dynamical systems, Nature Communications, 15. Januar 2026. DOI: 10.1038/s41467-025-67802-5

Weitere Informationen: https://www.epfl.ch/de/