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.

Wir arbeiten an inversen Problemen

VIPR - Versatile Framework für Inverse Problems

Das Problem: Rekonstruktion versteckter Materialeigenschaften aus komplexen Messdaten

Abbildung zur Veranschaulichung der Funktionsweise von GIWAXS (Grazing-Incidence Wide-Angle X-Ray Scattering). Links wird schematisch dargestellt, wie ein flach einfallender Röntgenstrahl auf eine dünne organische Schicht trifft und ein zweidimensionales GIWAXS-Streubild erzeugt. Darüber ist ein typisches Molekülmotiv mit charakteristischen Abständen dargestellt. Das zentrale GIWAXS-Bild zeigt kreisförmige bzw. halbkreisförmige Reflexionsmuster, die auf die periodische Anordnung der Moleküle zurückzuführen sind. Rechts sind gemessene GIWAXS-Profile sowie atomare Strukturmodelle dargestellt, die unterschiedliche kristalline Orientierungen und Gitterebenen veranschaulichen. Die Reflexionsringe in den 2D-Streubildern korrespondieren mit den gezeigten Gitterebenen und ermöglichen Rückschlüsse auf die Molekülanordnung innerhalb der Schicht. Quelle: Arora et al., Science 358 (6364), 2017.

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

Die Abbildung zeigt zunächst, dass direkte Probleme eine eindeutige Zuordnung von Eingaben zu Ausgaben ermöglichen, während inverse Probleme oft mehrere mögliche Lösungen haben. Im unteren Diagramm wird anhand eines invertierbaren neuronalen Netzwerks (INN) erklärt, wie solche mehrdeutigen Rückwärtsprobleme behandelt werden: Das INN bildet Eingaben im Vorwärtsprozess auf Ausgaben ab und nutzt eine L2-Norm zur Anpassung an die Trainingsdaten. Für die inverse Richtung kombiniert das Modell die Ausgabe mit einer zusätzlichen latenten Größe, die mithilfe der Maximum-Mean-Discrepancy an eine Normalverteilung angepasst wird, sodass die ursprünglichen Eingaben rekonstruiert werden können. Quelle: Ardizzone et al., ICLR 2019.

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.

Analyse und Visualisierung im Forschungsworkflow

Grafische Benutzeroberfläche des VIPR-Frameworks mit konfigurierbaren Schritten für Datenladen, Modellladen, Normalisierung, Vorverarbeitung, Vorhersage und Nachverarbeitung. Rechts werden gemessene und berechnete Reflektivitätskurven verglichen. Darunter stehen rekonstruierte Schichtparameter eines Polymerfilms und die Ausführungszeit des gezeigten Beispiels.

Das VIPR-Framework verbindet die modellgestützte Analyse von Messdaten mit einer Web-Oberfläche zur Konfiguration und Visualisierung. Die gezeigte Oberfläche stellt eine berechnete Reflektivitätskurve und rekonstruierte Materialparameter dar. Wie schnell eine Auswertung im Experiment erfolgt, hängt unter anderem von Modell, Daten und Rechenumgebung ab; daraus folgt keine allgemeine Laufzeit- oder Echtzeitzusage.

Dienstleistungen

Wir entwickeln komplette KI-basierte Auswertungs- und Prozessintelligenz für industrielle Messsysteme:

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

  1. Problemdefinition und Domänenanalyse

    • Formulierung des inversen oder datengestützten Problems im physikalischen Kontext
    • Analyse relevanter Mechanismen, Randbedingungen und Messketten
    • Identifikation rekonstruierbarer Größen und notwendiger Diagnostiken
  2. Datenakquise und Voranalyse

    • Strukturierte Aufnahme von Mess-, Prozess- und Metadaten
    • Synchronisation, Filterung, Kalibrierung und Qualitätsprüfung
    • Extraktion physikalisch signifikanter Merkmale und Zeitregime
  3. 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
  4. 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
  5. Validierung und Pilotbetrieb

    • Experimentelle Überprüfung der Rekonstruktionen und Prognosen
    • Analyse von Unsicherheiten, Robustheit und Echtzeitfähigkeit
    • Iterative Anpassung basierend auf Pilotdaten und Fachfeedback
  6. 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.

Bereit für den ersten Schritt?

Kontaktieren Sie uns jetzt, und wir werden die passende Lösung zu Ihren Anforderungen finden!

Womit können wir Ihnen helfen?

Womit können wir Ihnen helfen?