idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
idw - Informationsdienst
Wissenschaft
Ein internationales Team von Forschenden der RWTH Aachen, der University of Washington, des College of Engineering der University of Michigan und der TU München hat eine Plattform zum Trainieren und Vergleichen von Machine-Learning-Modellen entwickelt. Diese Modelle ermöglichen, Luftwiderstand und Lärm aktiv zu reduzieren sowie Auftrieb und Wärmeabfuhr gezielt zu optimieren. Professor Wolfgang Schröder, Dekan der Fakultät für Maschinenbau und ehemaliger Direktor des Instituts für Aerodynamik der RWTH Aachen, war einer der Projektleiter. Die Studie mit dem Titel „The HydroGym reinforcement learning platform for fluid dynamics“ ist in der renommierten Fachzeitschrift Nature erschienen.
Strömungsvorgänge spielen in Branchen mit einem weltweiten Volumen von mehreren Billionen Dollar eine zentrale Rolle, darunter Energie, Verkehr, Gesundheit und Verteidigung. Aufgrund der Vielzahl an Variablen ist es jedoch in der Regel unmöglich, das Verhalten von Strömungen in realistischen Szenarien direkt zu berechnen. Solche Strömungen besser zu verstehen und gezielter steuern zu können, birgt daher erhebliches wirtschaftliches und ökologisches Potenzial.
Das internationale Team, dem auch Forschende der Inha University (Südkorea), des KTH Royal Institute of Technology (Schweden), der HESAM University (Frankreich); der MediaTek (Vereinigtes Königreich) und des Deutschen Zentrums für Neurodegenerative Erkrankungen e. V angehören, hat nun eine Plattform entwickelt mit dem Ziel, diese komplexe Aufgabe mithilfe von Reinforcement Learning zu lösen. Bei dieser Form des maschinellen Lernens werden KI-Agenten durch die Interaktion mit ihrer Umgebung trainiert. Der Ansatz hat bereits entscheidende Fortschritte in Bereichen wie der Proteinfaltung und der Kernfusion ermöglicht.
Testumgebung für Reinforcement Learning zur Strömungssteuerung
Die KI-Agenten werden darauf trainiert, Strömungen über Oberflächen aktiv zu steuern. Indem physikalisches Wissen direkt in ihr Training einfließt, lässt sich der nötige Trial-and-Error-Aufwand bei der Optimierung der Steuerungsstrategien mit der neuen Plattform um bis zu 65 Prozent reduzieren. Die „HydroGym“ genannte Plattform ermöglicht zudem, verschiedene Steuerungsstrategien unter vergleichbaren Bedingungen zu testen und so besonders geeignete Ansätze für unterschiedliche Anwendungen zu identifizieren. Dazu zählen etwa effizientere Flugzeuge und Windkraftanlagen, die Lärmminderung bei Strahltriebwerken und die Kühlung von Supercomputern.
Von einfachen Strömungen zu realistischen Anwendungen
An einem Beispiel demonstrierte das Team, wie sich die Oberflächenreibung in einem Kanal minimieren lässt: Dieser bestand aus zwei ebenen Flächen, die ähnlich wie bei einem Airhockey-Tisch mit zahlreichen Öffnungen versehen waren. Sie trainierten ein Machine-Learning-Modell darin, die durch die Öffnungen strömende Luft so zu steuern, dass es reibungserhöhenden Turbulenzen entgegenwirkte und die ein- und austretenden Luftströme stets im Gleichgewicht hielt.
Anschließend wandten die Forschenden das Regelungsmodell auf ein deutlich komplexeres Szenario an: einen Abschnitt eines simulierten Flugzeugflügels. Dabei ließ sich die Reibung an der Flügeloberfläche um 38 Prozent und der Gesamtluftwiderstand um 11 Prozent reduzieren. Zugleich war das Training im einfacheren Szenario 100-mal schneller und 10.000-mal kostengünstiger als ein direktes Training am Flugzeugflügel.
Dass sich das Modell ohne zusätzliches Training auf neue Situationen übertragen lässt, deutet das Potenzial für die Entwicklung eines universellen Strömungsmodells an. Ein solches Modell würde genügend physikalische Gesetzmäßigkeiten erfassen, um auf unterschiedliche Turbulenzgrade, beliebige Oberflächenformen sowie Flüssigkeits- und Gasströmungen oder sogar Mischungen aus beiden angewendet werden zu können.
Mehr als 60 Umgebungen für Training und Vergleich
HydroGym ist nicht auf Modelle beschränkt, bei denen eine einzige „Schaltzentrale“ die Steuerung übernimmt. Die Plattform kann auch verteilte Steuerungssysteme trainieren und testen, bei denen einzelne Regler jeweils einen Bereich einer Oberfläche steuern und sich mit benachbarten Reglern abstimmen. Dies ist wichtig, da bei großen Oberflächen zu viele Informationen anfallen, als dass ein zentralisiertes Modell sie verarbeiten könnte. Ein System aus kleineren Reglern, die mittels Multi-Agent Reinforcement Learning trainiert werden, macht sich zunutze, dass die Strömung zwar räumlich und zeitlich variieren kann, über die gesamte Oberfläche hinweg aber denselben Gesetzmäßigkeiten folgt.
Der Code, die Dokumentation und der vollständige Satz an Umgebungen von HydroGym sind auf GitHub frei verfügbar. Gemeinsam mit der internationalen Fachcommunity für Strömungsdynamik entwickelt das Team die Plattform kontinuierlich weiter.
Neben der Deutschen Forschungsgemeinschaft (DFG) wurde die Arbeit vom U.S. Army Research Office und vom Europäischen Forschungsrat gefördert.
Prof. Dr. Wolfgang Schröder
Lehrstuhl für Strömungsmechanik und Aerodynamisches Institut
office@aia.rwth-aachen.de
+49 241 80-95410
Lagemann, C., Mokbel, S., Gondrum, M. et al. The HydroGym reinforcement learning platform for fluid dynamics. Nature (2026). https://doi.org/10.1038/s41586-026-10917-6
https://GitHub-Link: https://dynamicslab.github.io/hydrogym/docs/introduction
https://Youtube: tch?v=SQrPBk6f0GY
Criteria of this press release:
Business and commerce, Journalists, Scientists and scholars
Materials sciences, Mechanical engineering
transregional, national
Research projects, Scientific Publications
German
You can combine search terms with and, or and/or not, e.g. Philo not logy.
You can use brackets to separate combinations from each other, e.g. (Philo not logy) or (Psycho and logy).
Coherent groups of words will be located as complete phrases if you put them into quotation marks, e.g. “Federal Republic of Germany”.
You can also use the advanced search without entering search terms. It will then follow the criteria you have selected (e.g. country or subject area).
If you have not selected any criteria in a given category, the entire category will be searched (e.g. all subject areas or all countries).
