Fraunhofer-Institut für Mikroelektronische Schaltungen und Systeme IMS
Die jüngsten Fortschritte der Künstlichen Intelligenz (KI) sind vor allem geprägt durch Verfahren des Deep Learnings im Bereich Computer Vision. Anwendungsfelder wie die intelligente Zustandsüberwachung im Kontext der Industrie 4.0 oder Smart Wearable Computing zeigen allerdings auch das Potenzial zur Verarbeitung von Signalen anderer, nicht-bildgebender und multimodaler Sensoren auf.
Vor allem im Bereich technischer Systeme ergeben sich bei der Anwendung moderner maschineller Lernverfahren (ML) Herausforderungen. So werden zum Training große Datenmengen benötigt, Vorwissen über das System wird oft nicht mit einbezogen und der »Black-Box«-Charakter rein datenbasierter Modelle führt zu einem geringen Maß an Erklärbarkeit.
Das Fraunhofer IMS geht diese Herausforderungen mittels hybrider Lernverfahren an, um intelligente Sensorsysteme effizient, robust und sicher zu gestalten. Dabei wird ein besonderer Fokus auf die Integration von physikbasiertem Expertenwissen und maschineller Lernverfahren gelegt. Beim hybriden Lernen kommt das Expertenwissen an diversen Stellen der Machine-Learning-Pipeline, d. h. von der Trainingsdatenerzeugung bis hin zum fertigen Modell, zum Einsatz.
Im Bereich der Zustandsüberwachung ist beispielsweise eine umfassende Datenaufnahme oft zu ressourcenaufwändig und unwirtschaftlich. Es fehlt daher an aussagekräftigen Datensätzen für Diagnose- und Prognoseaufgaben, die unterschiedliche Szenarien und Ereignisse wie Fehlerfälle in ausreichender Qualität und Quantität repräsentieren.
Hier können simulationsbasierte hybride Lernverfahren Abhilfe schaffen. Das Fraunhofer IMS forscht dabei an Verfahren zur Kombination physik- und KI-basierter Modelle, um möglichst originalgetreue Trainingsdaten zu erzeugen.
Zudem besteht im Bereich der klassischen digitalen Signalverarbeitung schon eine große Bandbreite an Verfahren zur effizienten Analyse von Sensorsignalen. Das Fraunhofer IMS beschäftigt sich damit, diese Art des Expertenwissens bei der Signalvorverarbeitung zu nutzen, um ein schnelleres Training Neuronaler Netze unter Reduzierung der benötigten Datenmenge z. B. zur Mustererkennung oder Signalklassifikation zu gewährleisten.
Eine weitere Möglichkeit stellt der Einsatz von Expertenwissen zur Steuerung des Trainingsprozesses maschineller Lernverfahren dar. Hierbei wird am Fraunhofer IMS speziell an Verfahren gearbeitet, die Vorhersagen eines KI-Modells hinsichtlich ihrer physikalischen Plausibilität überprüfen, um ungewolltes oder physikalisch inkonsistentes Verhalten des Systems von vornherein auszuschließen. Mit diesem hybriden Lernen kann somit maßgeblich die Erklärbarkeit und Vertrauenswürdigkeit des Systems gesteigert werden.