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.

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.