Wenn der Laser nicht mehr warten muss

Laserschweißen ist ein Vorgang auf engstem Raum: Metall schmilzt, verdampft teilweise und gerät in Bewegung, während der Laserstrahl seine Energie in wenigen hundert Mikrometern konzentriert. Bislang braucht ein Computer viele Minuten oder gar Stunden, um diesen Vorgang detailliert zu berechnen. Forschende aus der Schweiz zeigen nun, wie sich solche Simulationen mit maschinellem Lernen drastisch beschleunigen lassen.

Ein Laserstrahl trifft auf eine Metalloberfläche. Innerhalb eines Augenblicks wird das Material heiß genug, um zu schmelzen. Doch damit ist die Physik des Laserschweißens erst eröffnet. In der kleinen Schmelzzone fließt das Metall, die Oberflächenspannung verändert sich mit der Temperatur, Material verdampft. Dabei kann sich eine schmale, tiefe Dampfhohlraum bilden, ein sogenanntes Keyhole. Der Laser wird darin mehrfach reflektiert, wodurch sich wiederum die Energieaufnahme verändert.

Auf wenigen hundert Mikrometern entsteht so ein hochdynamisches Zusammenspiel von Wärme, Strömung, Phasenwechsel und Licht.

Wer verstehen will, was dabei geschieht, kann den Vorgang am Computer simulieren. Das Problem ist nur: Eine möglichst realitätsnahe Simulation ist langsam. Sehr langsam im Vergleich zu dem Prozess, den sie beschreiben soll.

Genau hier setzen Forschende der Empa und des Schweizer Quantencomputing-Unternehmens Terra Quantum an. Sie haben ein Verfahren des maschinellen Lernens entwickelt, das die dreidimensionale Entwicklung der Schmelzzone beim Laserschweißen in Millisekunden vorhersagen kann. Ihre Arbeit ist im Journal of Intelligent Manufacturing erschienen.

Die Zahlen sind bemerkenswert. Eine hochaufgelöste physikalische Simulation kann je nach Auflösung mehrere Minuten bis über eine Stunde benötigen. Das trainierte Modell liefert seine Vorhersage dagegen in etwa acht Millisekunden bei der Standardauflösung und in rund 88 Millisekunden bei einer doppelt so hohen Auflösung.

Die Forschenden sprechen deshalb von einer Beschleunigung um bis zu fünf Größenordnungen. Doch die Zahl allein erzählt noch nicht die ganze Geschichte.

Die teure Rechnung wird einmal gemacht

Das Verfahren gehört zu einer Klasse von Methoden, die in den Ingenieurwissenschaften zunehmend an Bedeutung gewinnen: Surrogate Models. Ein solches Modell soll eine aufwendige Berechnung nicht jedes Mal aufs Neue durchführen, sondern deren Ergebnis schnell nachbilden.

Dafür braucht es zunächst die klassische Physik. Die Forschenden erzeugen mit hochaufgelösten Simulationen Daten für unterschiedliche Kombinationen von Prozessparametern, insbesondere Laserleistung und Scangeschwindigkeit. Das maschinelle Lernmodell lernt daraus, welche dreidimensionalen Temperaturfelder und welche Form der Schmelzzone zu den jeweiligen Bedingungen gehören.

Nach dem Training muss es die zugrunde liegenden Gleichungen nicht mehr vollständig lösen. Es berechnet unmittelbar eine Näherung des Ergebnisses. Das ist der entscheidende Trick. Die Rechenzeit verschwindet nicht einfach. Ein Teil des Rechenaufwands wird in die Trainingsphase verlagert. Danach werden die einzelnen Vorhersagen sehr billig. In der industriellen Praxis könnte genau das einen erheblichen Unterschied machen. Wenn ein Ingenieur wissen möchte, wie sich hundert oder tausend verschiedene Kombinationen von Laserleistung und Geschwindigkeit auswirken, ist es ein Unterschied, ob jede Variante eine aufwendige Simulation benötigt oder ob die Antwort nach wenigen Millisekunden vorliegt.

Ein neuronales Netz, das mit Feldern rechnet

Technisch setzt die Arbeit auf einen sogenannten Fourier Neural Operator. Das ist kein gewöhnliches neuronales Netz, das lediglich einzelne Eingabewerte auf einzelne Ausgabewerte abbildet. Es lernt vielmehr eine Abbildung zwischen ganzen physikalischen Feldern.

Das ist für Probleme wie das Laserschweißen interessant. Temperatur ist schließlich keine einzelne Zahl, sondern verteilt sich über einen dreidimensionalen Raum. Dasselbe gilt für die Grenzen der Schmelzzone. Der Fourier-Neural-Operator verarbeitet diese räumlichen Informationen im Spektralraum. Dadurch können Zusammenhänge über das gesamte betrachtete Gebiet berücksichtigt werden. Die Forschenden konnten das Modell zudem so formulieren, dass es Vorhersagen auf unterschiedlich feinen Rechengittern ermöglicht.

Eine zweite Idee war für die Studie ebenso wichtig: Der Laser bewegt sich beim Schweißen. Das macht die ursprüngliche Simulation zu einem zeitabhängigen Problem. Die Forschenden wechselten deshalb in ein Bezugssystem, das sich mit dem Laser bewegt. Zusammen mit einer zeitlichen Mittelung entsteht eine quasi-stationäre Beschreibung des Prozesses.

Das klingt zunächst nach einer mathematischen Feinheit. Tatsächlich ist es ein zentraler Bestandteil des Verfahrens. Denn ein Machine-Learning-Modell kann nur dann sinnvoll trainiert werden, wenn die physikalische Aufgabe in einer Form vorliegt, die es zuverlässig lernen kann.

Die 100’000-fache Beschleunigung hat eine Bedingung

Die spektakuläre Beschleunigung sollte deshalb nicht missverstanden werden. Das Modell macht nicht jede beliebige Laserschweißsimulation 100’000-mal schneller. Es wurde für einen bestimmten physikalischen Bereich trainiert. Innerhalb dieses Bereichs soll es die Ergebnisse der aufwendigen Referenzsimulation reproduzieren. Ob es außerhalb dieses Bereichs ebenso zuverlässig arbeitet, ist eine andere Frage.

Das ist eine grundsätzliche Eigenschaft datengetriebener Modelle. Ein neuronales Netz kann Zusammenhänge außerordentlich schnell auswerten, sobald es sie gelernt hat. Es garantiert damit aber nicht automatisch, dass seine Vorhersagen auch für Bedingungen gelten, die in den Trainingsdaten nicht oder nur unzureichend vertreten waren.

Für industrielle Anwendungen ist diese Frage besonders wichtig. Materialien können variieren, Prozessparameter können sich ändern und reale Anlagen sind nie so idealisiert wie ein numerisches Modell. Hinzu kommt eine weitere Einschränkung der aktuellen Arbeit. Das Modell bildet vor allem den stabilen Bereich des sogenannten Keyhole-Schweißens ab. Stark transiente Vorgänge wie die Entstehung von Poren oder der Kollaps eines Keyholes sind schwieriger zu erfassen.

Gerade solche Instabilitäten können für die Qualität einer Schweißverbindung entscheidend sein. Die Arbeit zeigt also nicht, dass die physikalische Simulation überflüssig geworden ist. Sie zeigt etwas anderes: Unter geeigneten Bedingungen lässt sich ihr Ergebnis mit einem trainierten Modell sehr viel schneller approximieren.

Erst dadurch wird der digitale Zwilling interessant

Der Unterschied klingt akademisch, ist für die Industrie aber erheblich. Eine langsame Simulation eignet sich hervorragend, um einen Prozess zu untersuchen oder einzelne Parameterkombinationen zu analysieren. Für eine Steuerung in Echtzeit ist sie dagegen kaum geeignet. Wenn die Berechnung länger dauert als der Vorgang selbst, kommt sie für eine unmittelbare Regelung zu spät.

Ein Modell, das seine Antwort in Millisekunden liefert, verändert diese Rechnung. Dann wird denkbar, den Zustand einer Schweißzone während des laufenden Prozesses digital abzubilden. Ein solcher digitaler Zwilling könnte nicht nur zeigen, was gerade geschieht, sondern auch abschätzen, wie sich eine Veränderung der Prozessparameter auswirken würde.

Noch weiter gedacht könnten Optimierungsalgorithmen sehr viele mögliche Einstellungen durchspielen und geeignete Parameter nahezu unmittelbar auswählen. Das ist die eigentliche Perspektive hinter der Beschleunigung. Nicht die Simulation als solche wird ersetzt. Ihre Rolle verändert sich. Die aufwendige physikalische Berechnung liefert die Grundlage; das schnelle Ersatzmodell bringt diese Erkenntnis in einen Bereich, in dem sie während des Produktionsprozesses nutzbar werden könnte.

Das Quantenwort ist hier mit Vorsicht zu lesen

Bemerkenswert ist auch, dass an dem Projekt ein Quantencomputing-Unternehmen beteiligt ist. Daraus sollte allerdings nicht geschlossen werden, die gezeigte Beschleunigung sei ein Ergebnis des Quantencomputings. Der zentrale Ansatz der veröffentlichten Arbeit ist ein klassischer Fourier Neural Operator. Parallel dazu haben die Forschenden einen hybriden Ansatz untersucht, bei dem ein Quantum-Circuit-Mixer in einen solchen neuronalen Operator integriert wird. Das gehört zu einer weiterführenden Forschungsrichtung.

Die konkrete Beschleunigung der hier beschriebenen Laserschweißvorhersage beruht jedoch vor allem auf dem Surrogate-Modell und seiner speziellen Architektur. Das ist wissenschaftlich interessanter, als es zunächst klingt. Denn eine der offenen Fragen der industriellen KI lautet nicht nur, ob ein Modell gute Vorhersagen liefert. Entscheidend ist, ob es schnell, robust und innerhalb klar definierter physikalischer Grenzen eingesetzt werden kann.

Zwischen Physik und KI

Das Beispiel Laserschweißen zeigt damit eine Entwicklung, die weit über die Fertigung von Schweißnähten hinausweisen könnte. Viele technische Probleme sind heute nicht deshalb schwer zu simulieren, weil die zugrunde liegenden Naturgesetze unbekannt wären. Schwierig ist vielmehr, die bekannten Gleichungen mit ausreichender räumlicher und zeitlicher Auflösung zu lösen.

Maschinelles Lernen kann hier eine ungewöhnliche Funktion übernehmen: Es ersetzt nicht die Naturbeschreibung, sondern lernt eine schnelle Näherung an deren numerische Lösung. Das Verhältnis zwischen Physik und KI ist damit weniger Konkurrenz als Arbeitsteilung. Die Physik liefert die Regeln und die Referenz. Die KI lernt, ihre Konsequenzen effizient abzuschätzen.

Ob daraus am Ende tatsächlich Echtzeitsteuerungen in industriellen Lasersystemen entstehen, muss sich noch zeigen. Dafür müssen die Modelle auch unter realen Bedingungen getestet werden und insbesondere mit instabilen, seltenen und fehlerkritischen Vorgängen umgehen können. Der erste Schritt ist dennoch bemerkenswert. Ein Prozess, dessen detaillierte digitale Berechnung bislang Minuten oder Stunden beanspruchte, lässt sich in einem eingeschränkten, aber physikalisch relevanten Bereich innerhalb von Millisekunden vorhersagen. Damit wird aus einer Simulation, die bisher vor allem dem Ingenieur am Schreibtisch diente, möglicherweise ein Werkzeug, das künftig direkt neben dem Laser arbeiten kann.