KI News: Kurz und klar.

Hohe Genauigkeit bei Laser‑Schweißsimulationen ist entscheidend, doch die enorme Rechenzeit verhindert eine breite Prozessexploration und Echtzeit‑Anwendung. Forscher haben deshalb den Laser Processing Fourier Neural Operator (LP‑FNO) entwickelt, ein neuronales Modell, das die komplexen thermo‑fluiden Phänomene von Schweißprozessen in Echtzeit abbilden kann.

In der Welt der partiellen Differentialgleichungen (PDEs) hat sich Operator‑Learning zu einem leistungsstarken Werkzeug entwickelt, das schnelle Vorhersagen von vollständigen Raum‑Zeit‑Feldern ermöglicht – selbst für neue Anfangsbedingungen oder Störgrößen. Traditionelle Architekturen wie DeepONet und der Fourier Neural Operator (FNO) liefern beeindruckende Ergebnisse, stoßen jedoch häufig an Grenzen: sie benötigen große Trainingsdatensätze, enthalten keine explizite physikalische Struktur und können instabil werden, wenn die Trunk‑Netzwerk‑Features ungleichmäßig oder kollabierend sind.

In einer neuen Veröffentlichung auf arXiv wird ein fortschrittlicher Ansatz für die Approximation von partiellen Differentialgleichungen vorgestellt: der Derivative‑Informed Fourier Neural Operator (DIFNO). Dieser Ansatz erweitert die klassische Fourier Neural Operator (FNO) um die gleichzeitige Minimierung von Fehlern in den Funktionswerten und in deren Fréchet‑Ableitungen. Dadurch kann der DIFNO nicht nur die Lösung einer hochpräzisen PDE‑Operatorfunktion exakt nachbilden, sondern auch deren Sensitivitäten zuverlässig reproduzieren.

In der Ära der intelligenten Fertigung gewinnt die vorausschauende Wartung (PdM) zunehmend an Bedeutung, um die Zuverlässigkeit von Anlagen zu erhöhen und Betriebskosten zu senken. Ein kürzlich veröffentlichtes Forschungsdokument präsentiert ein innovatives Markov-Decision-Process (MDP)-Framework, das vier moderne Soft-Computing-Methoden kombiniert: Fourier Neural Operator (FNO), Denoising Autoencoder (DAE), Graph Neural Network (GNN) und Proximal Policy Optimisation (PPO).