FS und ETH Zürich entwickeln KI-basiertes Steuerungssystem für komplexe Anforderungen

• Mögliche Anwendungsbereiche sind u.a. Optimierung von Lieferketten, Smart Grids, Verkehrs- und Pandemie-Management oder Fabrikautomatisierung
• Das Steuerungssystem AI Pontryagin lernt selbst und kann anspruchsvolle Kontrollprobleme angehen, die mit bestehenden Techniken schwer zu lösen sind

Strom-Blackouts, Störungen in Finanznetzwerken und Lieferketten: Viele Steuerungsprobleme komplexer Systeme sind mit bestehenden Methoden nur schwer oder gar nicht zu lösen. Der Einsatz von Steuerungssystemen, die auf künstlicher Intelligenz (KI) basieren, kann helfen, komplexe Prozesse zu optimieren und neue Geschäftsmodelle zu entwickeln. Professor Dr. Lucas Böttcher, Professor für Computational Social Science an der Frankfurt School, Dr. Nino Antulov-Fantulin, Senior Scientist an der ETH Zürich, und Thomas Asikis, Doktorand an der ETH Zürich, stellen mit AI Pontryagin ein vielseitiges KI-basiertes Steuerungssystem vor, das Schwankungen in komplexen Systemen und Netzwerken stabilisieren soll. Mit einer Kombination aus numerischen und analytischen Methoden zeigen die Forscher, dass AI Pontryagin automatisch lernt, Systeme auf nahezu optimale Weise zu steuern, ohne dass der KI die optimale Lösung vorher bekannt ist. Das Paper wurde in der renommierten Fachzeitschrift Nature Communications veröffentlicht.

Schwankungen in komplexen Systemen haben das Potenzial, Kaskaden und Blackouts auszulösen. Um solche Ereignisse zu vermeiden und die Robustheit zu verbessern, gibt es verschiedene Kontrollmechanismen und Vorschriften wie die Regelung der Spannung in Stromnetzen und Stresstests bei Finanzinstituten. Allerdings sind manuelle Eingriffe möglicherweise nicht immer in der Lage, komplexe dynamische Systeme effizient zu steuern. In ihrer Arbeit zeigen die Forscher, dass AI Pontryagin automatisch nahezu optimale Steuerungssignale für komplexe Dynamiken erlernt. Mit ihrer Analyse legen die Forscher einen wichtigen Grundstein; die Anwendbarkeit auf konkrete Fälle bedarf weiterer Forschung. Heute werden Kontrollmethoden etwa zum Schutz von Stromnetzen vor Schwankungen und Ausfällen, zur Bewältigung von Epidemien und zur Optimierung der Versorgungskette eingesetzt.

AI Pontryagin am Beispiel von Lieferketten

Zur Anwendung von AI Pontryagin benötigt es Informationen über die Dynamik des Systems. In Lieferketten sind dies etwa Informationen über die Anzahl möglicher Lieferanten, die Bestellkosten und die Durchlaufzeiten. Diese Informationen werden genutzt, um die Dynamik abzuleiten, die optimiert werden soll. Auch müssen Nutzer Informationen über den Anfangszustand, beispielsweise den aktuellen Lagerbestand, als auch einen gewünschten Zielzustand, zum Beispiel die Auffüllung des Lagerbestands bis zu einem bestimmten Niveau unter Verwendung einer minimalen Menge von Ressourcen, bestimmen.

Das Paper steht hier zum Download zur Verfügung.

Weitere Informationen zu AI Pontryagin finden Sie im Beitrag von Professor Böttcher auf dem Frankfurt School Blog hier.