KI-Co-Pilot beschleunigt Inverse-Design von Hochleistungsstrukturen

Inverse‑Design‑Werkzeuge wie die Topologieoptimierung (TO) können die Leistung von Ingenieursstrukturen deutlich steigern. Ihre breite Anwendung wird jedoch durch lange Rechenzeiten und die „Black‑Box“-Natur, die die Interaktion mit dem Nutzer erschwert, begrenzt. Neue Ansätze mit Mensch‑im‑Loop zielen darauf ab, menschliche Intuition in den Designprozess einzubinden, stoßen aber häufig an die zeitaufwändige Auswahl von Modifikationsregionen.

Die vorgestellte Arbeit führt einen KI‑Co‑Pilot ein, der maschinelles Lernen nutzt, um die vom Nutzer bevorzugten Regionen vorherzusagen. Das Modell wird als Bildsegmentierungsaufgabe mit einer U‑Net‑Architektur umgesetzt und auf synthetischen Datensätzen trainiert, in denen menschliche Präferenzen entweder den längsten topologischen Baustein oder die komplexeste strukturelle Verbindung identifizieren. Dadurch kann das System plausibel erscheinende Modifikationsbereiche erkennen und dem Anwender als Empfehlungen präsentieren.

Der menschliche Präferenz‑Algorithmus zeigt eine gute Generalisierung über verschiedene und nicht standardmäßige TO‑Probleme hinweg und weist sogar ein emergentes Verhalten auf, das über die im Training erfassten Ein‑Region‑Auswahl hinausgeht. Demonstrationsbeispiele verdeutlichen, dass der neue Mensch‑im‑Loop‑TO‑Ansatz mit KI‑Co‑Pilot die Fertigungsfähigkeit verbessern oder die lineare Buckellast um 39 % erhöhen kann, während die Gesamtgestaltungszeit im Vergleich zu herkömmlichen, einfachen TO‑Methoden lediglich um 15 Sekunden steigt.