Transformers ermöglichen In-Context-Lernen für Motorsteuerung

In einer bahnbrechenden Veröffentlichung zeigen Forscher, dass große Sprachmodelle (LLMs) nicht nur Texte, sondern auch komplexe Signalverarbeitungssysteme lernen können. Durch ein neu entwickeltes Transformer‑Modell wird erstmals In‑Context‑Learning (ICL) auf die Steuerung von Elektromotoren angewendet – ein Bereich, in dem klassische PI‑Regler und physikbasierte Ansätze oft an ihre Grenzen stoßen.

Der Ansatz trennt die Signalrepräsentation von der dynamischen Systemverhaltensmodellierung. Dadurch kann das Modell mit wenigen Beispielen (One‑Shot‑ICL) oder nach minimaler Feinabstimmung (Few‑Shot‑Finetuning) neue Motoren dynamisch vorhersagen. Das Modell wurde auf einer umfangreichen Sammlung synthetischer linearer und nichtlinearer Systeme vortrainiert und kann anschließend auf reale Motoren mit unterschiedlichen Lastkonfigurationen generalisieren.

Experimentelle Tests zeigen, dass die ICL‑gestützte Steuerung nicht nur genaue Feedforward‑Vorhersagen liefert, sondern auch PI‑Regler und physikbasierte Baselines übertrifft. Diese Ergebnisse demonstrieren, dass In‑Context‑Learning die Kluft zwischen synthetischem Pretraining und realweltlicher Anpassungsfähigkeit überbrücken kann und neue, daten‑effiziente Wege für die Regelung physikalischer Systeme eröffnet.