Ein Sprachmodell, das gelegentlich halluziniert, ist ärgerlich. Eine KI, die in einer Fertigungsanlage falsche Steuerbefehle ausgibt, ist ein Produktionsstopp - oder schlimmer. Genau darin liegt das Kernproblem, das die Industrie beim KI-Einsatz von der Konsumwelt trennt: In der Industrie werden Fehler KI-generierter Lösungen nicht toleriert. Wer das ernst nimmt, muss beim Training ansetzen, nicht erst bei der Absicherung.
Autodesk, einer der weltweit führenden Anbieter von Design- und Fertigungssoftware, hat diesen Gedanken konsequent in eine Forschungsstrategie übersetzt. Im Technologiezentrum im britischen Birmingham erprobt das Unternehmen KI-Lösungen für den industriellen Einsatz - und setzt dabei auf einen Ansatz, der in der Branche zunehmend Aufmerksamkeit bekommt: physikalisch informierte Künstliche Intelligenz.
Was "physikalisch informiert" konkret bedeutet
Der Begriff klingt akademisch, beschreibt aber ein handfestes Ingenieursproblem. Konventionelle KI-Modelle lernen aus Daten - und nur aus Daten. Wenn die Datenbasis dünn ist, wenn seltene Fehlerzustände kaum vorkommen oder wenn ein Prozess schlicht noch nicht lange genug läuft, um statistisch belastbare Muster zu liefern, geraten diese Modelle an ihre Grenzen.
Physics-Informed Neural Networks (PINNs) betten physikalische Gesetze direkt in die Verlustfunktion des neuronalen Netzes ein und stellen so sicher, dass die Modelle mit der zugrundeliegenden Physik konsistent bleiben. Das Modell lernt nicht nur aus Messdaten, sondern wird gleichzeitig daran gemessen, ob seine Vorhersagen die Erhaltungsgleichungen, Strömungsgesetze oder Materialgesetze einhalten, die in der realen Welt gelten.
Das hat einen entscheidenden praktischen Vorteil: Wo Trainingsdaten fehlen, übernehmen die physikalischen Randbedingungen die Führung. PINNs können inverse Probleme lösen und Modellparameter aus begrenzten Messdaten schätzen - ein entscheidender Vorteil in industriellen Umgebungen, in denen vollständige Datensätze selten sind.
Der Unterschied in der Praxis: Ein datengetriebenes Modell, das nie einen Riss in einem Bauteil gesehen hat, erkennt ihn nicht. Ein physikalisch informiertes Modell weiß, wie sich Spannungen in einem Material verteilen — und kann Anomalien auch ohne explizite Fehlerdaten identifizieren.
Birmingham als Testfeld: Digitale Zwillinge als Trainingsumgebung
Das Autodesk Technology Center in Birmingham ist mehr als ein Showroom. Es dient als reales Testfeld für den Übergang von der Forschung in die Fertigungspraxis. Digitale Zwillinge auf Basis von 3D-CAD-Modellen spielen beim Training der KI-Modelle eine zentrale Rolle.
Der Ansatz ist dabei iterativ: Zunächst wird der Ist-Zustand einer Anlage erfasst - per Laserscan entsteht eine Punktwolke, daraus ein 3D-Modell, schließlich eine digitale Abbildung mit BIM-Struktur. Anschließend werden Echtzeitdaten aus Sensoren, CNC-Maschinen und SCADA-Systemen eingespeist. Der digitale Zwilling wird so zum dynamischen Modell, das kontinuierlich aktualisiert wird.
Der entscheidende Schritt: Digitale Zwillinge entwickeln sich von reinen Visualisierungstools zu Trainingsumgebungen für KI in der Fertigung. Statt auf reale Fehlerereignisse zu warten, die in der Produktion selten und teuer sind, trainiert man die Modelle im virtuellen Abbild - mit synthetischen, physikalisch plausiblen Szenarien.
Photo: Homa Appliances / UnsplashGeometrie optimieren, nicht nur analysieren
Nathan Kutz, Director of Physics-Informed AI bei Autodesk Research in London, leitet ein Team, das Modellreduktionsverfahren mit maschinellem Lernen und KI integriert. Er bringt den Kern des Problems auf den Punkt: In vielen bisherigen Workflows ist die Geometrie eines Bauteils oder einer Anlage fixiert - Optimierung findet drum herum statt. Physikalisch informierte KI soll das ändern und die Geometrie selbst zum Gegenstand der Optimierung machen.
Das ist keine akademische Spielerei. In der Praxis bedeutet es: Ein KI-System, das die Physik eines Strömungsfeldes versteht, kann Bauteilformen vorschlagen, die aerodynamisch oder thermisch besser abschneiden - nicht weil es tausende Beispiele gesehen hat, sondern weil es die Navier-Stokes-Gleichungen in seine Entscheidungslogik eingebaut hat.
Autodesk Research hat physikalisch informierte KI-Seminare etabliert, in denen Experten aus Wissenschaft und Industrie die Schnittstelle von Physik und KI erkunden - von Strömungssimulationen über Materialwissenschaften bis hin zu fortgeschrittener Fertigung.
Warum das für die deutsche Industrie relevant ist
Die Frage, die sich Fertigungsunternehmen stellen müssen, ist nicht ob physikalisch informierte KI kommt - sondern wie schnell sie wettbewerbsrelevant wird. Drei Faktoren sprechen für eine rasche Diffusion:
Datenmangel ist kein Ausschlusskriterium mehr. Gerade mittelständische Maschinenbauer, die keine jahrelangen Fehlerdatenbanken aufgebaut haben, profitieren überproportional von Modellen, die mit physikalischem Vorwissen arbeiten. Das verkürzt Einführungszeiten und senkt die Anforderungen an historische Datensätze.
Synthetische Trainingsdaten schließen die Lücke. Wo echte Fehlerereignisse zu selten sind, um statistisch belastbare Trainingsdaten zu liefern, erzeugen physikalisch plausible Simulationen tausende realistische Szenarien - bevor der erste echte Defekt in der Produktion auftritt.
Die Regulierung schafft Druck. Der EU AI Act stuft KI-Systeme in sicherheitskritischen Industrieprozessen als Hochrisiko-Anwendungen ein. Modelle, die physikalische Gesetze nachweislich einhalten, haben einen strukturellen Vorteil bei der Zertifizierung gegenüber reinen Blackbox-Ansätzen.
Der Weg in die Praxis: Was Unternehmen jetzt tun können
Die Technologie ist nicht mehr im Laborstadium. Autodesk hat physikalisch informierte KI auf der Hannover Messe 2026 als produktionsreife Komponente seiner Design & Make Platform präsentiert. Für Industrieunternehmen, die den Einstieg planen, lassen sich drei Handlungsfelder ableiten:
Bestandsdaten strukturieren. Physikalisch informierte Modelle brauchen weniger Daten - aber die vorhandenen Daten müssen sauber und maschinenlesbar sein. CAD-Modelle, Sensorhistorien und Prozessparameter in einer zentralen Datenbasis zusammenzuführen ist der erste Schritt.
Digitale Zwillinge als Trainingsinfrastruktur begreifen. Wer heute einen digitalen Zwilling aufbaut, schafft morgen die Trainingsumgebung für KI-Modelle. Der Aufwand zahlt sich doppelt aus.
Physikalisches Domänenwissen einbringen. Der Vorteil physikalisch informierter KI entsteht nur, wenn das Modell die richtigen Gleichungen kennt. Hier ist die Zusammenarbeit zwischen Dateningenieuren und Prozessexperten entscheidend - nicht delegierbar an externe KI-Anbieter allein.
Die Industrie hat lange auf KI gewartet, die ihre Anforderungen an Zuverlässigkeit und Nachvollziehbarkeit erfüllt. Mit physikalisch informierten Modellen und digitalen Zwillingen als Trainingsumgebung rückt dieser Punkt näher. Autodesk liefert mit dem Birmingham-Ansatz ein konkretes Referenzmodell - eines, das sich auf DACH-Werke übertragen lässt, ohne auf jahrelange Fehlerdatenbanken angewiesen zu sein.
