Machine Learning-Modelle zur Lösung inverser Probleme

Viele Ingenieurwissenschaftliche Fragestellungen sind bereits seit Jahren und Jahrzehnten gelöst, sind jedoch nach wie vor hochaktuell und bieten viel Raum zur Verbesserung der "herkömmlichen" Lösungen durch interessante und innovative, neue Konzepte und Lösungsstrategien, die erst in den vergangenen Jahren nutzbar geworden sind!

Eine dieser spannenden Fragestellungen ist die berührungslose Übertragung von Energie mittels Induktion, die immer noch hoch aktuelle ist und ein spannendes Forschungsthema darstellt. Abhängig von der zu übertragenden Leistung, findet man heutzutage eine Vielzahl von Anwendungen wie z.B. das Aufladen von Hochleistungsbatterien im Bereich der Elektromobilität, dem berührungslosen Erhitzen von Stoffen zum Schmelzen, Garen oder zur lokalen Tumorbekämpfung und der kombinierten Übertragung von Energie und Daten im Bereich RFID. Das zugrundeliegende physikalische Prinzip – die Entstehung elektrischer Felder aufgrund der zeitlichen Änderungen eines magnetischen Flusses – wurde vor fast 200 Jahren von Faraday, Henry und Ørstedt entdeckt und ist seither unter der Bezeichnung Induktionsgesetz bekannt. Die Möglichkeit mit Hilfe von Wechselfeldern auch über größere Distanzen Energie zu übertragen, ermöglicht aber nicht nur eine Vielzahl von interessanten Anwendungen, sie führt gleichzeitig zu einer Reihe fundamentaler, bis heute aktueller, Probleme in der technischen Umsetzung – und zwar unabhängig von der Art der Anwendung:

1. Die auftretenden – nicht nutzbaren – Streufelder wirken sich grundsätzlich nachteilig auf die Energieeffizienz, die Sicherheit und die elektromagnetische Verträglichkeit aus.
2. Inhomogenitäten in den erzeugten Feldern führen zu einem schlechten Wirkungsgrad bei der Energieübertragung und ungewünschten Effekten auf der Empfängerseite.
3. Aufgrund des Wechselstrombetriebs treten mechanische Kräfte auf, die sich z.B. beim Betrieb von Induktionskochfeldern als störende Geräusche bemerkbar machen oder in anderen Anwendungen sogar verschleißend und zerstörerisch wirken können.

Diesen Problemen kann mit neuen Konzepten begegnet werden, um damit die zukunftsweisende Technologie der induktiven Energieübertragung entscheidend weiterzuentwickeln. Im Projekt NanoInduktion wird dies am Beispiel einer aktuellen und weit verbreiteten Anwendung, dem Induktionskochfeld, durchgeführt. Hierzu werden unterschiedliche Methoden zur Berechnung, Simulation und Optimierung von Magnetfeldern und den dazugehörigen Spulen, die sowohl das Sende-, als auch das Empfangssystem darstellen, untersucht. Ausgehend von einem definierten Magnetfeldverlauf auf der Empfängerseite soll mit Hilfe verschiedener Methoden diejenige Spulengeometrie ermittelt werden, die dieses Feld generiert. Analytische Verfahren zur Lösung dieses sogenannten inversen Problems sind bereits aus der Entwicklung von Magnetresonanztomografie-Scannern (MRT) bekannt, müssen jedoch für die induktive Energieübertragung im Allgemeinen oder speziell für die Entwicklung effizienter Induktionskochfelder angepasst werden. Alternativ hierzu wird die Lösung dieses inversen Problems durch Optimierungsmethoden und Machine Learning Verfahren diskutiert. Aus dem Einsatzgebiet der Magnetresonanztomografie (MRT) sind verschiedene Verfahren bekannt, um solche inversen Probleme durch die geschickte Anwendung von Neuronalen Netzen zu lösen. Auf Grundlage dieser Ideen und Konzepte soll in diesem Forschungsprojekt ein Lösungsverfahren für die Suche nach optimalen Spulengeometrien entwickelt werden.

Zunächst erfordert das Forschungsprojekt eine Einarbeitung in die Grundlagen des maschinellen Lernens mit Neuronalen Netzen, auf denen die bekannten Lösungskonzepte basieren. Darauf aufbauend muss ein Überblick über die möglichen Verfahren zur Lösung inverser Probleme mittels Neuronaler Netze gewonnen werden, um anschließend einen oder ggf. mehrere geeignete Kandidaten für die weiteren Untersuchungen auswählen zu können. Der gewählte Ansatz soll im weiteren Verlauf des Forschungsprojekts auf seine Übertragbarkeit auf den gegebenen Anwendungsfall untersucht werden. Das abschließende Ziel ist es, das Lösungsverfahren für die Anwendung zu implementieren.

Durch die in der Literatur vorhandene Auswahl von möglichen Lösungsansätzen, ist das Forschungsprojekt für eine/n weitere/n Bewerber/in geeignet. Die grundlegende Vorbereitung zum Forschungsprojekt (Aneignung der Grundlagen Neuronaler Netze) sowie die Literaturrecherche zu möglichen Lösungsverfahren kann durch zwei Personen gemeinsam bzw. in umfangreicherer Form durchgeführt werden. Somit steht eine breitere Auswahl an Kandidaten für geeignete Verfahren für die weiteren Untersuchungen zur Verfügung. Im weiteren Verlauf des Forschungsprojekts können verschiedene Ansätze separat untersucht werden, wobei die zusätzliche Möglichkeit des Austauschs und ggf. schon frühzeitige Vergleiche der untersuchten Ansätze das Projekt sowohl für die Bewerber/innen, als auch aus wissenschaftlicher Perspektive aufwerten.

Bezug zum Thema Data Science  
Zur Bearbeitung des Forschungsprojekts müssen eine vorhandene Datenbasis auf die Bedürfnisse der angewandten Methoden angepasst (Vorverarbeitung), sowie für das Ziel sinnvoll anwendbare Methoden aus dem Literatur-Korpus bekannter / veröffentlichter Verfahren ermittelt und für den Anwendungsfall angepasst werden. Diese Anforderungen gehören zu den Kernthemen der Data Science und werden in den Veranstaltungen des Forschungsmasters behandelt.

Verfügbare Ressourcen
Expertise und Informationen aus dem physikalischen Anwendungskontext des Projekts, sowie zu den behandelten Machine Learning Verfahren und der Verbindung beider Aspekte werden von den Mitarbeitern des Forschungsprojekts NanoInduktion und der Arbeitsgruppe Computational Materials Science and Engineering (AG CMSE) von Prof. Schröder zur Verfügung gestellt. Darüber hinaus besteht die Möglichkeit des Kontakts zu geeigneten Arbeitsgruppen des CITEC durch die AG CMSE. HPC Hardware und -Systeme für komplexe Berechnungen werden durch die AG CMSE zur Verfügung gestellt. In diesem Rahmen kann überdies Unterstützung bei der Nutzung des High Performance Computing Clusters der Arbeitsgruppe gegeben werden. Weitere HPC Ressourcen stehen über das PC^2 der Universität Paderborn zur Verfügung. Über die Projektlaufzeit hinaus wird das Thema innerhalb des Forschungslabors mieletec an der HSBI weitergeführt. Die Mitarbeiter des mieletec stehen dann als Ansprechpartner zur Verfügung.

Projektplan
Erstes Semester: Einarbeitung in die notwendigen Grundlagen Neuronaler Netze, sowie das notwendige Handwerkszeug für die Arbeit mit diesen, etwa TensorFlow / Keras und Python. Erste Sichtung der Literatur zur Lösung inverser Probleme durch Neuronale Netze und Planung der weiteren Untersuchungen. Erstellung eines Forschungsexposés (ist Prüfungsleistung).

Zweites Semester: Vertiefung der Literaturrecherche, sowie Auswahl der im Folgenden zu untersuchenden Lösungsansätze. Entwicklung erster prototypischer Versuche mit den gewählten Ansätzen. Erstellung eines Papers, das einen Überblick über das jeweilige Forschungsgebiet gibt (ist Prüfungsleistung).

Drittes Semester: Verfeinerung des entwickelten Prototyps, zur Übertragung des Ansatzes auf den gegebenen Anwendungsfall. Vergleich mit Ergebnissen aus anderen Lösungskonzepten, die in der AG CMSE bereits entwickelt werden bzw. bei zwei Teilnehmer/innen auch mit den Ergebnissen der/des jeweils anderen. Erstellung eines Papers, mit ersten quantitativen Ergebnissen (ist Prüfungsleistung).

Viertes Semester: Untersuchungen zur Anwendbarkeit über den Prototypen hinaus bzw. zur Anwendbarkeit bei allgemeineren Rahmenbedingungen, bei Erweiterung des möglichen Lösungsraums (der verfügbaren Spulengeometrien, sowie komplexerer magnetischer Systeme). Dokumentation des Gesamtergebnisses unter Einbeziehung der Teilergebnisse aus den ersten drei Semestern. (Masterarbeit und Kolloquium)

Eignungskriterien
Zwingend: 

• Kenntnisse der Programmierung oder die Bereitschaft und Fähigkeit sich diese eigenständig anzueignen, vorzugsweise in Python.
• Englischkenntnisse, ausreichend für die Lektüre (fast) ausschließlich englischsprachiger, wissenschaftlicher Veröffentlichungen.
• Teamfähigkeit und "Forschergeist"

Optional: 

• Erfolgreich absolvierte Bachelor-Veranstaltungen oder andere Prädisposition im Kontext von Neuronalen Netzen bzw. Machine Learning.
• Kenntnisse in Python und TensorFlow / Keras oder anderen verbreiteten, nicht-proprietären Sprachen und Frameworks zur Arbeit mit Neuronalen Netzen.

Erwerbbare Kompetenzen

• Einsatz von Verfahren des Maschinellen Lernens
• Verwendung von TensorFlow / Keras
• Methoden der Optimierung
• Verfassen wissenschaftlicher Artikel
• Präsentation wissenschaftlicher Ergebnisse
• Recherche wissenschaftlicher Veröffentlichungen
• Aufbau eigener Arbeiten auf dem bestehendem wissenschaftlichem Kenntnisstand bzw. wissenschaftlichen Veröffentlichungen