Im Rahmen der Summer School on HPC Driving AI am TUM Campus Heilbronn hielt Markus Götz, Teamleiter und KI-Forscher am SCC, eine Vorlesung zum Thema Differentiable Simulations, einem aufstrebenden Ansatz, der die Stärken physikbasierter Modellierung mit modernen Methoden des maschinellen Lernens verbindet.
Im Mittelpunkt der Veranstaltung stand die Frage, wie differenzierbare Simulationen eine Brücke schlagen können zwischen klassischen, auf physikalischen Grundprinzipien basierenden Modellen – wie sie in den Ingenieurwissenschaften, der Strömungsmechanik, den Materialwissenschaften oder Energiesystemen eingesetzt werden – und KI-gestützten Surrogatmodellen. Diese ermöglichen schnellere Vorhersagen sowie eine effizientere Optimierung und Regelung komplexer Systeme.
Die Teilnehmenden erhielten eine Einführung in die Grundlagen differenzierbarer Simulationen, darunter auch praktische Umsetzungen mit PyTorch, einem Open-Source-Framework für Deep Learning. Darüber hinaus wurden zentrale konzeptionelle Herausforderungen behandelt, etwa der Umgang mit Gleichungen und Operatoren, die nicht von Natur aus differenzierbar sind und daher durch geeignete Surrogatfunktionen angenähert werden müssen.
Anhand von Optimierungsaufgaben in solarthermischen Kraftwerken veranschaulichte Markus Götz praxisnah, wie differenzierbare Simulationen die Auslegung, den Betrieb und die Regelung komplexer Energiesysteme unterstützen können. Die Vorlesung zeigte eindrucksvoll das Potenzial differenzierbarer Modellierung, datengetriebene und zugleich physikalisch fundierte Lösungen für anspruchsvolle Fragestellungen in Technik und Energieforschung zu entwickeln.
Kontakt am SCC: Dr. Markus Götz