Durch die gezielte Integration von künstlicher Intelligenz wird die Produktentstehung signifikant beschleunigt. Und auch die Organisation profitiert davon. Der KI-Ansatz von Ansys als Übergang von einem Digital Engineering zu einem Intelligent Engineering im Portrait.
Steht die Idee des Frontloadings in der Produktentstehung von Anbeginn für einen „Shift left“ durch eine frühzeitige Funktionsabsicherung der verschiedenen Varianten, folgt nun ein weiterer „Linksruck“ in noch frühere Phasen durch die Integration von künstlicher Intelligenz in den Simulationsprozess durch Ansys – wenn man so will: ein „Shift left of Shift left“.
Ansys’ Idee einer „Simulation Democratization“ durch browserbasierte Anwendungen für einen erweiterten Nutzerkreis wird nun durch weiter automatisierte Simulationsabläufe und KI nochmals deutlich ausgeweitet – nur noch Laptop aufklappen, einloggen und los geht’s. Rechenressourcen und Lizenzen oder auch die Cloudanbindung sind bereits alle im Vorfeld über die automatiserten Simulationsworkflows definiert.
Auf den Punkt gebracht ruht Ansys’ KI-basiertes Portfolio auf drei Säulen:
- AnsysGPT – intelligenter Sprachassistent für Ansys-Lösungen
- Ansys SimAI – Deep-Learning-Plattform für die Vorhersage von Multiphysikphänomenen
- Ansys AI+ – Add-ons zu den Ansys-Lösungen.
Wissensmaschine AnsysGPT. Der intelligente Chatbot von Ansys basiert auf der Generativen KI-Technologie ChatGPT 4.0 von OpenAI, wurde aber speziell auf Berechnungsingenieure zugeschnitten, will heißen: AnsysGPT wird an validierten Quellen trainiert. Dieser Generative Pre-Trained Transformer (GPT) kann so verlässlichen technischen Support leisten und belebt das ins Vergessen geratene Wissensmanagement aufs Neue, indem die gesamte Simulationserfahrung maschinenlesbar abgebildet werden kann.
Offenes KI-Ökosystem SimAI. Ansys SimAI versteht sich als multiphysikalische Software-as-a-Service-Berechnungsplattform, die maschinelles Lernen und KI-Techniken wie Deep Learning in großem Stile nutzt. Anstatt sich bei der Definition eines Designs auf geometrische Parameter zu verlassen, verwendet SimAI zum Beispiel die Formgebung eines Produkts als Eingabe, kann also auch mit nicht-parametrischen Eingaben umgehen. Die Vorhersage von Produkteigenschaften über alle Entwurfsphasen lassen sich bei rechenintensiven Projekten um das 10- bis 100-Fache beschleunigen.
Der Workflow von SimAI besteht aus „Prepare / Train / Predict & Explore“: Bestehende Simulationsmodelle oder auch neu erzeugte, zum Beispiel über die Automatisierungssoftware Ansys optiSLang generierte Ergebnisse von Designvariationen, werden in die SimAI-Cloud hochgeladen. Das geht in Minutenschnelle. Daraus wird ein SimAI-Meta-KI-Modell durch Deep-Learning-Algorithmen und Neuronale Netzwerke erstellt. Dieses Training dauert typischerweise ein bis zwei Tage. An der anschließenden Vorhersage nehmen Industriedesigner, Ingenieure aus den verschiedenen Fachabteilungen, Simulationsexperten und auch Projektverantwortliche teil. Es werden lediglich neue Designideen als Geometrien benötigt und dann das gesamte 3D-Simulationsverhalten vorhergesagt. Die trainierten KI-Modelle sind der Ausgangspunkt für das Ableiten der Designvariationen. Die eigentliche Verhaltensvorhersage geht dann ungeheuer schnell, ist nämlich typischerweise bereits nach gut 30 Sekunden erledigt. Im Anschluss können die Ergebnisse zur Begutachtung lokal heruntergeladen oder auf der SimAI-Plattform einem Postprocessing unterzogen werden.
Ansys AI+ Module. Die bestehenden Lösungen wie Ansys optiSLang können durch KI weiter gestärkt werden. Mittels optiSLang konfiguriert der Anwender Simulationsabläufe automatisiert, indem aus parametrischen Berechnungsmodellen ganze Prozessketten gebildet werden. Ansys optiSLang und SimAI sind physik- und softwareneutral. Somit können einzelne Phänomene oder Kopplungen von physikalischen Disziplinen aus der Struktur- oder Strömungsmechanik, elektromagnetische Wechselwirkung oder Optik in die Analyse einbezogen werden.
Nur so viel Training wie wirklich nötig
Mit optiSLang und SimAI verfolgt Ansys die Strategie, die Anzahl der zum Training notwendigen Designvarianten auf das notwendige Mindestmaß zu reduzieren, aber genügend Optionen dabei in Betracht zu ziehen. Dieser adaptive Design-of-Experience-(DoE-)Algorithmus kann auf jene Teilgebiete der Antwortflächen verfeinert werden, bei denen noch Informationen zum Training benötigt werden. Somit werden nicht nur „globale“ Effekte, sondern auch „lokale“ Effekte berücksichtigt.
Der Algorithmus lernt selbstständig immer weiter, welchen Einfluss die einzelnen Parameter haben. Und er erkennt auch, wenn noch Daten fehlen. Wird etwa ein nicht-lineares Verhalten diagnostiziert und es sind nicht ausreichend viele Analysepunkte (Stützstellen) vorhanden, werden sinnvolle neue Punkte an den fehlenden Stellen generiert, um eine höhere Datendichte zu erzeugen. Dies kann automatisiert geschehen, wobei der Experte stets die Kontrolle über den Vorgang behält. Diese Methode kann mit Singularitäten, Solver-Noise, Ausreißern oder ganz neuen, nicht erwarteten Effekten zurecht kommen. Die Anwender erkennen unmittelbar die Haupteinflüsse bei ihrer Aufgabenstellung. Er muss sich folglich nicht mehr nur auf seine Intuition verlassen, sondern kann Einflussgrößen systematisch untersuchen und die Trends mittels optiSLang genau nachvollziehen.
KI als Gamechanger der Organisation
Der Wandel im Produktentstehungsprozess bricht althergebrachte Strukturen in den Organisationen auf. KI hilft, dem Simulationsingenieur Stress zu nehmen. Dies gelingt allerdings nur, wenn dem Denken in Datensilos ein Ende bereitet wird: KI kann dann ihre ganze effizienzsteigernde Kraft entfalten, wenn Datenbanken miteinander verknüpft werden, damit die trainierten Metamodelle als Ausgangspunkt für viel weiterreichendere Lösungen genutzt werden können. Bei Ansys spricht man vom Übergang von einem „Digital Engineering hin zu einem Intelligent Engineering“.
Bereits seit Einführung von Digital Engineering ist es Usus, dass sich der Einzelne den Expertenrat einholt, allerdings nicht im Sinne eines strukturierten Collaboration-Prozesses: informell ja, aber nicht auf Basis des Austausches von maschinenlesbaren Informationsartefakten. Dies gelingt durch die Einführung eines Simulationsdatenmanagements.
Mit der Einführung von Simulationsdatenmanagement werden ja die Datensilos aufgebrochen, weil somit CAE-Daten abteilungsübergreifend zentral abgelegt werden. Hinzu kommt über den Aufbau einer Metamodell-Bibliothek eine neue Form der Entscheidungsfindung, sodass alle Stakeholder am gleichen Strang ziehen können – die Kommunikation findet konzertiert über abgestimmte – idealerweise maschinenlesbare – Berechnungsmodelle statt.
Fazit
Mit optiSLang und SimAI wird aus dem simulationsgetriebenen auch ein datengetriebener Produktentstehungsprozess. Bewährte Vorgehensweisen haben jedoch auch weiterhin Bestand.
