KI wird am MIT von einer Spezialtechnik zur Infrastruktur
Laut einem Beitrag von MIT Technology Review darüber, wie die Labore des Instituts die Technologie einsetzen, ist künstliche Intelligenz zu einer Arbeitsebene in der MIT-Forschung geworden. Die Geschichte beschreibt KI nicht als eigenständige Disziplin, die auf die Informatik beschränkt ist, sondern als ein Werkzeug, das inzwischen in Maschinenbau, Luft- und Raumfahrtwerkstoffe, Energiesysteme und experimentelle Wissenschaft eingebettet ist.
Der Wandel zeigt sich in der Arbeit von Sili Deng, einer Associate Professorin für Maschinenbau, die Verbrennungskinetik, Emissionsminderung und Flammensynthese von Energiematerialien untersucht. Dengs Weg zur KI wurde durch die Störungen der Covid-Pandemie geprägt. Nachdem sie 2019 an die MIT-Fakultät gekommen war und gerade ihr Labor einrichtete, kamen Renovierungsarbeiten zum Stillstand. Statt zu warten, bat sie ihr Team zu testen, wo Machine Learning Lücken in ihrer Verbrennungsforschung schließen könnte.
Digitale Zwillinge für Verbrennungssysteme
Dengs Energy and Nanotechnology Group nutzte KI, um einen digitalen Zwilling zu entwickeln, der die Leistung eines Energie- und Strömungsgeräts nachbildet. Ein digitaler Zwilling ist eine rechnerische Kopie eines physischen Systems, die darauf ausgelegt ist, abzubilden, wie sich dieses System unter wechselnden Bedingungen verhält. Das langfristige Ziel besteht hier darin, Brennstoffverbrennungssysteme in Echtzeit vorherzusagen und zu steuern.
Dieses Ziel ist wichtig, weil Verbrennungssysteme weiterhin zentral für viele Bereiche der Energie- und Transportwirtschaft sind. Bessere Vorhersage und Steuerung könnten Forschenden helfen, Leistung, Emissionen und Betriebsstabilität auf eine Weise zu verstehen, die sich mit rein physischen Tests nur schwer erfassen lässt. Das Ausgangsmaterial behauptet nicht, dass das System bereits eine vollständige Echtzeitsteuerung in der Produktion erreicht hat. Es sagt, das Modell solle eines Tages in der Lage sein, die Funktionsweise von Brennstoffverbrennungssystemen in Echtzeit vorherzusagen und zu steuern.
Das Beispiel zeigt einen Grund dafür, warum sich KI so schnell in Forschungslabore ausgebreitet hat: Sie kann vorhandenes wissenschaftliches Wissen erweitern, statt es zu ersetzen. Dengs Team betrachtete Machine Learning durch die Linse der Verbrennungsgrundlagen und fragte, wo bestehende Methoden Lücken haben. Dieser Ansatz unterscheidet sich davon, KI als allgemeine Abkürzung zu behandeln. Er nutzt Fachwissen, um sinnvolle Fragen zu definieren und zu bewerten, ob Modellausgaben plausibel sind.
KI-gestütztes Design von Luft- und Raumfahrtwerkstoffen
Der Beitrag beschreibt auch die Arbeit von Zachary Cordero, einem Associate Professor für Luft- und Raumfahrt, der neuartige Materialien und Strukturen für aufkommende Anwendungen in der Luft- und Raumfahrt entwickelt. Cordero begann mit dem Einsatz von KI, nachdem er Kontakt zu Faez Ahmed aufgenommen hatte, einem Associate Professor für Maschinenbau mit Schwerpunkt auf Machine Learning und Optimierung für das Ingenieurdesign.
Gemeinsam mit Ahmed und anderen Beteiligten entwickelte Cordero in einem von der U.S. Defense Advanced Research Projects Agency geförderten Projekt ein KI-Tool zur Optimierung der Materialzusammensetzung eines Blisks. Ein Blisk, also eine Bladed Disk, ist eine Schlüsselkomponente in Turbinenmotoren für Jets und Raketen. Ziel der Arbeit ist es, die Leistung und Lebensdauer von Triebwerken zu verbessern und zu zuverlässigeren wiederverwendbaren Raketenantrieben für Schwerlast-Trägerraketen beizutragen.
Corderos Kommentar im Ausgangsmaterial ist aufschlussreich: Er sagte, das KI-System habe die menschliche Intuition bei Problemen ergänzt, bei denen Intuition nahezu unmöglich ist. Die Materialentwicklung für Hochleistungssysteme der Luft- und Raumfahrt umfasst viele miteinander verknüpfte Variablen, darunter Zusammensetzung, Struktur, Haltbarkeit und Betriebsbedingungen. KI-Optimierung kann komplexe Designräume durchsuchen, die Menschen manuell nur schwer erschließen könnten.
Ein breiterer Wandel in der Forschungspraxis
Die MIT-Beispiele legen nahe, dass die unmittelbarste wissenschaftliche Wirkung von KI aus ihrer Integration in etablierte Fachgebiete kommen könnte. In der Verbrennungsforschung kann sie dynamische Systeme modellieren und letztlich bei deren Steuerung helfen. Bei Luft- und Raumfahrtwerkstoffen kann sie dabei helfen, Komponenten zu optimieren, die extremen Bedingungen standhalten müssen. Über die Labore hinweg kann sie Methoden beschleunigen und neue Wege zur Entdeckung eröffnen.
Das Ausgangsmaterial zitiert außerdem Professor Ju Li, der argumentiert, dass KI, wenn man ihr Autonomie gibt, Experimente durchzuführen, verschiedene Dinge auszuprobieren, zu scheitern und aus dem Prozess zu lernen, sich zu etwas entwickeln könnte, das der menschlichen Intelligenz ähnelt. Diese Idee weist über heutige Modellierung und Optimierung hinaus in Richtung autonomer Forschungssysteme. Der bereitgestellte Text sagt nicht, dass solche Systeme dieses Maß an Autonomie bereits erreicht haben; er stellt den Gedanken als Möglichkeit dar.
Die praktische Lehre ist unmittelbarer. Die Forschenden am MIT warten nicht auf einen einzigen universellen KI-Durchbruch. Sie wenden Machine Learning auf konkrete wissenschaftliche und technische Probleme an, bei denen Daten, Simulation und Optimierung das Arbeitstempo verändern können. Das Ergebnis ist eine Forschungsumgebung, in der KI Teil des experimentellen Werkzeugkastens wird.
Das bedeutet nicht, dass menschliches Fachwissen weniger gebraucht wird. Die Beispiele im Ausgangsmaterial zeigen das Gegenteil. Forschende definieren weiterhin die Systeme, verstehen die physikalischen Grenzen und beurteilen, welche Ergebnisse wichtig sind. KI erweitert den Suchraum und die Modellierungskapazität, aber die wissenschaftlichen Fragen bleiben in Domänenwissen verankert.
Dieser Artikel basiert auf einer Berichterstattung von MIT Technology Review. Den Originalartikel lesen.
Originally published on technologyreview.com
