Inverse Intelligence Group

We turn forward models upside down

Wenn Sie zu erfassten Messdaten nicht die Ursache klar zuordnen können, dann haben Sie es mit inversen Problemen zu tun. Unsere Team aus Experten in Physik und Data Science schafft Abhilfe: Durch invertierbare neuronale Netze und wissenschaftliche KI machen wir aus Ihrem Messrauschen endlich verstehbare Parameter und aus Simulationen prädiktive Sensoren.

Wir machen mehrdeutige Mess- und Prozessdaten aus Industrieanlagen endlich auswertbar – durch die Entwicklung und Integration von KI-Lösungen. Unsere offene VIPR Inversion Engine liefert Bayessche Inferenz durch Inversion, Unsicherheitsabschätzung, Virtual Sensoring, Echtzeit-Alerting und vollständig integrierbare REST-Schnittstellen – betriebsbereit, nachvollziehbar und modular erweiterbar. Dabei kombinieren wir physikalisches Verständnis, scientific machine learning und produktive Implementierung, um Industrieunternehmen und angewandten Forschungseinrichtungen zu helfen, aus komplexesten Daten robuste Erkenntnisse und Steuerungslogiken zu gewinnen.

Diese inversen Probleme haben wir gelöst

VIPR - Versatile Framework für Inverse Problems

Das Problem: Rekonstruktion versteckter Materialeigenschaften aus komplexen Messdaten

Bei der Arbeit am Neutronenreflektrometer entsteht ein physikalisch anspruchsvolles inverses Problem: Aus verrauschten Reflektivitätsmessdaten sollen zentrale Materialeigenschaften wie Schichtdicke, Rauheit oder Dichteprofile rekonstruiert werden. Gemeinsam mit MLZ Instrument Scientist Dr. Alexandros Koutsiumpas wurde dafür der gesamte Mess- und Analyseprozess betrachtet. Die Herausforderung besteht darin, die Daten der Maschine nahezu in Echtzeit auszulesen, aus den Meta-Daten automatisch das passende vortrainierte Modell auszuwählen und die Analyseergebnisse zuverlässig wieder in den experimentellen Workflow – etwa für die in-situ Steuerung der Maschine – zurückzuführen. Gleichzeitig sollen die Resultate verständlich und benutzerfreundlich über ein Frontend visualisiert werden.

Der Lösungsansatz: Invertierbare neuronale Netze für schnelle und robuste Rekonstruktionen

Ein invertierbares neuronales Netz ermöglicht es, das inverse Problem direkt zu lösen: Es lernt die Abbildung zwischen Messdaten und Materialeigenschaften so, dass diese Beziehung eindeutig und umkehrbar bleibt. Dadurch kann das Modell aus verrauschten Reflektivitätskurven unmittelbar auf die zugrunde liegenden Materialparameter schließen – ohne zeitaufwendige iterative Simulationen. Durch die automatisierte Auswahl eines geeigneten, bereits vortrainierten Modells können neue Messdaten sofort analysiert werden, während die Web-Oberfläche es auch fachfremden Nutzerinnen und Nutzern erlaubt, intuitiv mit verschiedenen Modellen zu experimentieren und deren Ergebnisse zu vergleichen.

Das Ergebnis: Drastische Beschleunigung und bessere Nutzbarkeit im Forschungsprozess

Mit diesem Ansatz konnte eine 195-fache Beschleunigung erreicht werden: Die Analysezeit sank von rund 185 Sekunden auf etwa 1 Sekunde – schnell genug für Echtzeit-Anwendungen. Die Ergebnisse können unmittelbar in automatisierte Workflows eingespeist werden, sodass Maschinen während der Messung dynamisch anpassbar sind. Gleichzeitig sorgt die intuitive Web-Visualisierung dafür, dass sowohl Experten als auch fachfremde Personen die Daten effizient auswerten und die Qualität der Messung sofort beurteilen können. So entsteht eine leistungsstarke und alltagstaugliche Lösung, die zeigt, wie moderne invertierbare neuronale Netze komplexe technische Herausforderungen in der Praxis lösen können.

Confi-GRIP - Design, Simulation und Optimierung von Greifprozessen zur flexiblen Bestückung und Kommissionierung

Das Problem: Komplexe Bauteile erfordern flexible, aber zeitintensive Greifstrategien

In der industriellen Produktion müssen robotische Greifarme regelmäßig an neue, komplexe und häufig unbekannte Bauteile angepasst werden. Diese Aufgabe erfolgt heute meist manuell: Fachkräfte definieren durch zeitaufwändiges Trial-and-Error eine zuverlässige, kraftkontrollierte Greifposition – und müssen parallel die richtige Anstellung der Bauteile aus KLTs, Paletten oder Blistern berücksichtigen. Dieser Prozess ist nicht nur langsam, sondern auch fehleranfällig und abhängig von individueller Erfahrung. Ziel war es deshalb, eine KI-basierte Softwareplattform zu entwickeln, welche Greifertechnologien flexibel gestaltet, virtuell testet und für reale Produktionsprozesse optimiert. Ein webbasierter Konfigurator sollte dazu automatisch aus CAD-Daten eine passende Greifstrategie ableiten, geeignete Greifer auswählen und notwendige geometrische Anpassungen am Design vornehmen.

Der Lösungsansatz: KI löst inverse Probleme der Greiferentwicklung

Ablaufdiagramm zur automatisierten Entwicklung von Greifern: Links ein CAD-Modell eines Bauteils, das von einen virtuellen Greifer manipuliert werden soll. Dies wird in einer KI-Simulation getestet. Eine Optimierungsschleife verbindet virtuellen Greifer und KI-Simulation. Rechts das Ergebnis: ein realer, physischer Greifer an einem Roboterarm.

Im Zentrum stehen zwei inverse Probleme: Erstens muss aus der Geometrie eines Bauteils das optimale Greiferdesign rekonstruiert werden. Zweitens sollen aus einzelnen Kameraaufnahmen (n=1) die notwendigen Greiferparameter vorhergesagt werden. Eine zentrale webbasierte KI-Plattform wurde entwickelt, die Trainingsdaten generiert, Modelle trainiert und direkt mit Industrierobotern interagieren kann. Mithilfe von Simulationsdaten und CAD-Modellen entstehen große Mengen synthetischer Trainingsdaten, mit denen die KI das Verhältnis zwischen Objektgeometrie, Greifpunkt, Kraftverteilung und Greiferbauform präzise erlernt. Kombiniert wird dies mit KI-basierter Bahnplanung, die nahtlos in klassische Roboterprogrammierung eingebettet ist. So kann das System sowohl optimale Greifstrategien als auch die zugehörigen Roboterbewegungen vorhersagen.

Das Ergebnis: Schneller zu optimalen Greiferdesigns und robusten Produktionsprozessen

Die Lösung ermöglicht es, Greifertechnologien nicht mehr manuell, sondern hochautomatisiert zu entwickeln, anzupassen und zu optimieren. Unternehmen erhalten ein Werkzeug, welches komplexe Bauteile effizient analysiert, passende Greifergeometrien vorschlägt und den Greifprozess sicher simuliert. Durch die KI-gestützte Generierung und Nutzung synthetischer Trainingsdaten lassen sich neue Bauteile ohne langwierige Testreihen integrieren – selbst dann, wenn nur eine einzelne Kameraaufnahme vorliegt. Die Kombination von intelligenter Greifstrategie, Präzisionssimulation und automatisierter Roboterbahnplanung führt zu robusteren Produktionsabläufen, verkürzt Entwicklungszeiten und steigert die Flexibilität in der Automatisierung erheblich.

HZwo - Digital Twin of a PEM Fuel Cell System

Das Problem: Verborgene Betriebszustände in Brennstoffzellen sichtbar machen

Schematische Draufsicht eines Autos mit Wasserstoffantrieb: Links ein Wasserstofftank mit H₂-Einlass und H₂-Auslass, in der Mitte eine Brennstoffzelle, die den Wasserstoff in Elektrizität umwandelt, und rechts ein elektrischer Motor, der das Fahrzeug antreibt. Die Komponenten sind über Leitungen miteinander verbunden.

Beim Fraunhofer IWU in Chemnitz stand die Entwicklung neuartiger Betriebsführungsstrategien für energieeffiziente Antriebe im Fokus. Gerade bei PEM-Brennstoffzellen spielt der innere Zustand der Zelle eine entscheidende Rolle für ihre Lebensdauer und ihre Betriebssicherheit. Die Herausforderung besteht darin, aus extern messbaren Sensordaten – etwa Strömen, Spannungen oder Flussgrößen – Rückschlüsse zu ziehen auf die internen Betriebsbedingungen wie Temperaturen oder Drücke. Gleichzeitig müssen Anomalien frühzeitig erkannt werden, bevor sie zu Schädigungen oder Ausfällen führen. Dafür wurde eine Datenplattform geschaffen, die Sensor- und Simulationsdaten zentral sammelt, verknüpft und für das Condition Monitoring nutzbar macht. Im Zentrum stand die Frage: Welche internen Zustände lassen sich aus den vorhandenen Daten mit welcher Genauigkeit zuverlässig rekonstruieren?

Der Lösungsansatz: KI-gestützte Rekonstruktion interner Zustände durch invertierbare Modelle

Das zugrunde liegende inverse Problem besteht darin, aus beobachtbaren Sensordaten die nicht direkt messbaren Betriebsbedingungen innerhalb der Brennstoffzelle zu rekonstruieren. Invertierbare neuronale Netze eignen sich hierfür besonders gut: Sie lernen die wechselseitige Beziehung zwischen internen Zuständen und Sensordaten so, dass diese Beziehung eindeutig und in beide Richtungen nutzbar ist. Dadurch können die Modelle präzise ableiten, wie Temperatur-, Druck- oder Feuchteverteilungen im Inneren der Zelle aussehen – und Abweichungen sofort erkennen. Dieses KI-basierte Condition Monitoring ermöglicht es, Anomalien wie etwa einen Druckverlust an der Anode frühzeitig zu identifizieren und die Brennstoffzelle vor Folgeschäden zu schützen.

Das Ergebnis: Aus gemessenen Sensordaten, wie der Zellspannung und der Leistungsabgabe, können Defekte und Alterungseffekte in der Brennstoffzelle erkannt werden

Durch die KI-gestützte Analyse wird die Wirtschaftlichkeit und Betriebssicherheit von Brennstoffzellensystemen erheblich verbessert: Betriebszustände können gezielt optimiert, Alterung reduziert und Ausfälle verhindert werden. Das entwickelte Condition-Monitoring-System ist generalisierbar und eignet sich nicht nur für PEM-Brennstoffzellenstacks, sondern ebenso für Anwendungen in der Elektrolyse und der Wasserstoff-Mobilität. So entsteht eine skalierbare Lösung, die klare Einblicke in komplexe elektrische und chemische Prozesse bietet – und Unternehmen ermöglicht, die Vorteile von KI-basierter Zustandsüberwachung unmittelbar für ihre eigenen Technologien zu nutzen.

Bayesian Inference & INNs

Entwicklung, Training und Anpassung invertierbarer Modelle für Schichtdicken, Materialparameter, Plasma-Zustände, Sensor-Drifts und andere mehrdeutige Messprozesse.

Datenstrategie & Datenakquise

Planung und Aufbau von Datenpipelines, Datenmodellen, Datenerfassung, Robustifizierung und automatisierter Datenhaltung.

Synthetic Data & Simulation

Generierung von Trainingsdaten mittels physikalischer Modelle oder generativer Modelle – ideal, wenn Daten knapp oder teuer sind.

VIPR-Integration

Implementierung einer modularen Auswertungs- und Steuerungs-Pipeline basierend auf unserem Open-Source-VIPR-Framework. Mit REST-API, Plug-ins, Alerting und Dashboards.

Produktintegration

Nahtlose Einbindung in bestehende Anlagen, Messgeräte-Software, Automatisierungssysteme oder Edge-Infrastruktur.

Interesse geweckt?

Unsere Arbeitsweise

Problemdefinition und Domänenanalyse
- Formulierung des inversen oder datengestützten Problems im physikalischen Kontext
- Analyse relevanter Mechanismen, Randbedingungen und Messketten
- Identifikation rekonstruierbarer Größen und notwendiger Diagnostiken
Datenakquise und Voranalyse
- Strukturierte Aufnahme von Mess-, Prozess- und Metadaten
- Synchronisation, Filterung, Kalibrierung und Qualitätsprüfung
- Extraktion physikalisch signifikanter Merkmale und Zeitregime
Entwurf des Inversionsmodells und Training
- Auswahl geeigneter Modellarchitektur (z. B. Invertible Neural Network, Physics-informed Neural Network, Bayessche Inferenz)
- Integration physikalischer Nebenbedingungen und Prozesswissen
- Training mit realen, synthetischen oder hybriden Datensätzen, ggf. auf Hochleistungsrechnern
Systemintegration und API-Deployment
- Bereitstellung des Modells als skalierbare API oder Edge-Komponente
- Anbindung an Messsysteme, Steuerungen und Datendienste
- Sicherer Betrieb über REST, gRPC oder OPC-UA
Validierung und Pilotbetrieb
- Experimentelle Überprüfung der Rekonstruktionen und Prognosen
- Analyse von Unsicherheiten, Robustheit und Echtzeitfähigkeit
- Iterative Anpassung basierend auf Pilotdaten und Fachfeedback
Produktivsetzung und Lifecycle-Support
- Deployment in der Zielumgebung mit Monitoring und Versionierung
- Laufende Modellüberwachung, Drift-Erkennung und Re-Training
- Technische Betreuung, Dokumentation und kontinuierliche Optimierung

Wir sind mehr als nur noch eine KI-Agentur

Wir sind nicht einfach eine KI-Agentur auf Cloud sieben. Wir sind Physiker, Machine-Learning-Ingenieure, Wissenschaftler, Innovatoren und arbeiten praxisnah. Wir verbinden wissenschaftsgeleitete KI mit tiefem Prozess- und Anlagenverständnis. Mit offenen Frameworks wie unserem VIPR-Inversion-Stack, Bayesscher Inversion, Physics-informed Neural Networks und normalizing flows bauen wir transparente, auditierbare und industrietaugliche Pipelines, die Messdaten, Simulationen und Automatisierungssysteme nahtlos verknüpfen. So entstehen Lösungen, die robuste Zustandsrekonstruktionen, sichere Prozesssteuerung und skalierbare Integrationen ermöglichen, weit über das hinaus, was klassische KI-Agenturen leisten.

Das zeichnet uns aus

Scientific Machine Learning

Wir entwickeln wissenschaftsgeleitete KI-Modelle, die physikalische Gesetzmäßigkeiten, Nichtlinearitäten und Unsicherheiten explizit berücksichtigen. Unser Fokus liegt auf Physics-Informed Neural Networks, normalizing flows (INN/cINN) und hybriden Modellen, die Daten und Prozesswissen kombinieren. Damit können wir aus begrenzten oder verrauschten Messdaten robuste Zustandsrekonstruktionen und Prozessvorhersagen ableiten.

Bayessche Inferenz

Für inverse Probleme nutzen wir Bayessche Inversionsverfahren sowie invertierbare neuronale Netze, um latente Zustände aus beobachtbaren Effekten zu bestimmen – inklusive Unsicherheitsquantifizierung. Dieser Ansatz erlaubt es, mehrdeutige Messsituationen korrekt zu behandeln, Vorwissen einzubeziehen und Ergebnisräume statistisch abgesichert zu rekonstruieren. Unsere Methoden kommen dort zum Einsatz, wo klassische Optimierung scheitert oder physikalische Modelle unvollständig sind.

Verständnis von komplexen Systemen

Unser Team aus Physikern und Informatikern analysiert Systeme mit vielen gekoppelten Mechanismen, nichtlinearen Rückkopplungen und emergentem Verhalten. Ob Plasma-, Beschichtungs- oder Messprozesse: Wir modellieren die zugrunde liegenden Strukturen im latenten Zustandsraum und machen deren Dynamik quantifizierbar. So können wir Stabilitätsgrenzen, Übergangsregime, Driftphänomene und Prozesshysterese sichtbar und für datengetriebene Optimierung nutzbar machen.

Open Source Frameworks

Unsere Werkzeuge basieren auf offenen, transparenten Frameworks wie z.B. PyTorch, oder VIPR, das in Großforschungseinrichtungen wie MLZ deployed ist. Wir entwickeln modulare Pipelines für Datenaufnahme, Analyse, Inversion und Visualisierung – vollständig nachvollziehbar und erweiterbar. Open Source schafft Vertrauen, erleichtert Audits und ermöglicht langfristige Wartbarkeit bei industriellen Anwendungen.

Mess- und Automatisierungstechnik

Wir integrieren KI-Modelle in industrielle Mess- und Automatisierungssysteme. Dazu gehören:

Multi-Sensor-Fusion
Zustandsrekonstruktion in Echtzeit
REST- und Edge-Deployments
Rückkopplung an Regelungssysteme

Wir verbinden moderne KI mit bewährter Messtechnik und Automatisierung, um Prozesse robuster, adaptiver und vorhersagbar zu machen.