KITE

KITE verbessert die Effizienz von Elektromotoren in Fahrzeugen durch die Automatisierung der Konstruktion und reduziert so Kosten und Emissionen.

Das Problem

01

Das Projekt

01

Projektlaufzeit: 01.09.2021 – 31.08.2024

Elektromotoren sind aus der Verkehrswende nicht mehr wegzudenken. Sie haben sich sowohl im privaten als auch im gewerblichen Bereich etabliert. Beim Design dieser Motoren wird zunehmend der Verbrauch von Rohstoffen in den Vordergrund gestellt. Die Erstellung von Motortopologien ist ein hochkomplexer Prozess, der von vielen Faktoren abhängt, wie z. B. der gewünschten Leistungsklasse des Motors. Derzeit basiert die Technologie auf physikalischen Simulationen, die manuell konfiguriert und für veränderte Anforderungen wiederholt durchgeführt werden müssen. 

In KITE werden gemeinschaftlich Methoden entwickelt, um diese Prozesse mithilfe von KI zu modernisieren und flexibler zu machen. Dabei stehen die Interpretierbarkeit und die physikalische Plausibilität der generierten Ergebnisse im Vordergrund, um an bestehendes Expertenwissen optimal anknüpfen zu können. Die entwickelten KI-Methoden werden schließlich auf eigens im Projekt generierten Daten angewendet, um eine möglichst optimale Lösungstopologie zu finden. Diese wird im letzten Schritt mittels eines physikalischen Prototyps gefertigt und getestet.

Die Lösung

02

Unser Beitrag

02

Merantix Momentum forscht im Projekt KITE an neuartigen KI-Methoden, um den aufwändigen Simulationsprozess zur Erstellung von Motortopologien zu beschleunigen und flexibler zu gestalten. Die entwickelten KI-Modelle können bisher unbekannte, hocheffiziente Topologien vorschlagen, die zuvor nicht durch die Simulation abgedeckt wurden. Durch geeignete Optimierungsalgorithmen wird es mithilfe vortrainierter KI-Modelle möglich, deren Lösungsraum zu durchsuchen und hinsichtlich verschiedener Kriterien eine ideale Motortopologie zu finden.

Zur Erklärbarkeit der verwendeten KI-Methoden werden in KITE vollständige neuronale Netze eingesetzt, die Aufschluss über gelernte Zusammenhänge erlauben und als Grundlage für Diskussionen mit Domänenexperten dienen. Für einen möglichst datensparsamen Ansatz entwickelt Merantix Momentum hier Methoden zur Datenaugmentierung und setzt diese zielgerichtet in Kombination mit an die Domäne angepassten Modellarchitekturen wie Graph Neural Networks (GNNs) ein.

Unser Ergebnis

03
06/22
Publikation des Workshop-Papers “Learning the Solution Operator of Boundary Value Problems using Graph Neural Networks” bei AI4Science@ICML 2022.
02/23
Blog Post zu “How Graph Neural Networks can be used to accelerate and replace physical simulations” auf Medium Merantix Momentum Insights.
06/22
Publikation des Workshop-Papers “Learning the Solution Operator of Boundary Value Problems using Graph Neural Networks” bei AI4Science@ICML 2022.
02/23
Blog Post zu “How Graph Neural Networks can be used to accelerate and replace physical simulations” auf Medium Merantix Momentum Insights.

Kontaktieren Sie uns

  • Kritische und ganzheitliche Bewertung des Ansatzes
  • Entwicklung von Leitfaden zur zuverlässigen Umsetzung
  • Kostenfrei und unverbindlich
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.
Wir möchten Sie kennenlernen!

Jetzt Ihre KI-Reise mit uns starten

Jetzt im Merantix Momentum Newsletter anmelden.

Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.

Kontaktieren Sie uns

  • Kritische und ganzheitliche Bewertung des Ansatzes
  • Entwicklung von Leitfaden zur zuverlässigen Umsetzung
  • Kostenfrei und unverbindlich
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.
Wir möchten Sie kennenlernen!

Jetzt Ihre KI-Reise mit uns starten

Jetzt im Merantix Momentum Newsletter anmelden.

Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.