Moderne Materialien und technische Systeme sind durch multiskalige raum-zeitliche Dynamiken, nichtlokale Effekte sowie komplexe physikalische Randbedingungen geprägt. Diese Eigenschaften stellen klassische Simulationsmethoden ebenso wie rein datengetriebene Ansätze vor erhebliche Herausforderungen. Reine Black-Box-Modelle sind häufig nicht in der Lage, zugrunde liegende physikalische Gesetzmäßigkeiten zuverlässig abzubilden, Unsicherheiten zu quantifizieren oder domänenspezifisches Wissen in sicherheitskritischen Anwendungen zu integrieren. Unsere Forschung entwickelt mathematisch fundierte Machine-Learning-Methoden durch die Kombination von Scientific Machine Learning, beschränkter Optimierung, generativen Modellen und Unsicherheitsquantifizierung. Ziel ist die Entwicklung vertrauenswürdiger Surrogatmodelle, digitaler Zwillinge und datenbasierter Entscheidungsverfahren für Anwendungen in Materialwissenschaften, Fertigung und physikalischen Systemen. Beispiele unserer Forschung umfassen neuronale Netze zur Approximation fraktionaler Differentialgleichungen, Methoden zur Integration von Vorwissen in neuronale Netze, schnelle Inferenzverfahren für 2D/3D-generative KI mit diskreter und kontinuierlicher physikalischer Konditionierung, physics-informed neural networks für dateneffiziente Modellierung von Branddynamiken, unsicherheitsbewusste Bayes’sche Kraftfelder mit Active Learning für zuverlässige atomare Materialsimulationen sowie Anomalieerkennung in Betonstrukturen.
Forschungsrichtung 1: Scientific Machine Learning für physikalische Systeme
Physikalische Systeme unterliegen strukturellen
Randbedingungen, Erhaltungsgesetzen und zugrunde
liegenden Differentialgleichungen, die
auch dann erfüllt bleiben müssen, wenn Modelle
aus Daten gelernt werden. Daher kombinieren
wir Differentialgleichungsmodellierung,
beschränkte Optimierung und Machine Learning,
um Modelle zu entwickeln, die eine hohe
Vorhersagegenauigkeit mit physikalischer Konsistenz
verbinden.
Lernprobleme werden als strukturierte Optimierungsprobleme
formuliert, in denen Vorwissen,
physikalische Nebenbedingungen und
Domänenexpertise direkt in den Lernprozess
integriert werden. Dadurch wird eine robuste
Modellierung auch bei begrenzter Datenverf
ügbarkeit ermöglicht und eine theoretische
Grundlage für vertrauenswürdige KI-Methoden
geschaffen, die in den Forschungsaktivitäten der
Gruppe Anwendung finden.
Coelho, C.; Costa, M. F. P.; & Ferr´as, L. L. (2025). A Two-Stage Training Method for Modeling Constrained Systems With Neural Networks. Journal of Forecasting, 44(5), 1785-1805. https://doi.org/10.1002/for.3270
Liebert, A., Palani, A., Rensmeyer, T., Breuer, M., & Niggemann, O. (2024). CNN-based temperature dynamics approximation for burning rooms. IFAC-PapersOnLine, 58(4), 420-425. https://doi.org/10.1016/j.ifacol.2024.07.254
Rensmeyer, T., Multaheb, S., Putzke, J., & Zimmering, B. (2022). Using Domain-Knowledge to Improve Machine Learning: A Survey of Recent Advances. atp magazin, 64(8), 78-84. https://doi.org/10.17560/atp.v63i9.2600
Forschungsrichtung 2: Lernen raumzeitlicher Prozesse
Viele physikalische und technische Systeme weisen Gedächtniseffekte, nichtlokale Wechselwirkungen und Dynamiken auf, die sich über mehrere Zeitskalen entwickeln. Unsere Forschung entwickelt neuronale Netzwerkarchitekturen zur Modellierung sequentieller Abhängigkeiten und zeitlicher Dynamiken direkt aus Daten. Dazu gehören Convolutional Neural Networks zur raum-zeitlichen Merkmalsextraktion, Recurrent Neural Networks zur Modellierung sequentieller Abhängigkeiten sowie Neural Differential Equations für kontinuierliche Tiefenmodelle. Klassische Differentialgleichungen ganzzahliger Ordnung sind häufig nicht ausreichend, um langreichweitige zeitliche Korrelationen und nichtlokale Effekte physikalischer Prozesse zu beschreiben. Daher liegt ein Schwerpunkt unserer Forschung auf fraktionaler Analysis und deren Integration in Machine-Learning-Modelle als einheitlicher mathematischer Rahmen zur Beschreibung komplexer Dynamiken. Fraktionale Modelle bieten einen mathematisch fundierten Ansatz zur Beschreibung von Diffusionsprozessen, Materialverhalten, thermischen Dynamiken und komplexen physikalischen Wechselwirkungen, die sich mit Markov’schen Modellen nicht adäquat erfassen lassen.
Coelho, C., Costa, M. F. P., & Ferr´as, L. L. (2025). Neural fractional differential equations. Applied Mathematical Modelling, 144, 116060. https://doi.org/10.1016/j.apm.2025.116060
Coelho, C., Costa, M. F. P., Niggemann, O., & Ferr´as, L. L. (2025). Methodologies for Improved Optimisation of the Derivative Order and Neural Network Parameters in Neural FDE Models. Fractal and Fractional, 9(7), 471. https://doi.org/10.3390/fractalfract9070471
Liebert, A., Palani, A., Rensmeyer, T., Breuer, M., & Niggemann, O. (2024). CNN-based temperature dynamics approximation for burning rooms. IFAC-PapersOnLine, 58(4), 420- 425. https://doi.org/10.1016/j.ifacol.2024.07.254
Eilermann, S., Lüddecke, L., Hohmann, M., Zimmering, B., Oertel, M., & Niggemann, O. (2024, October). A neural ordinary differential equations approach for 2D flow properties analysis of hydraulic structures. In 1st ECAI Workshop on “Machine Learning Meets Differential Equations: From Theory to Applications
Forschungsrichtung 3: Generative und probabilistische KI für strukturierte physikalische Daten
Moderne ingenieurwissenschaftliche Arbeitsabläufe basieren zunehmend auf großen Mengen strukturierter räumlicher und materialbezogener Daten. Unsere Forschung entwickelt generative Modelle zur Verarbeitung geometrischer Strukturen und Materialkonfigurationen, wobei Interpretierbarkeit und physikalische Plausibilität erhalten bleiben. Probabilistische Lernverfahren ermöglichen die Quantifizierung von Unsicherheiten und fördern vertrauenswürdige Inferenzverfahren zur Datenrekonstruktion, konditionierten Generierung und unsicherheitsgesteuerten Lernstrategien. Damit etablieren sich diese Modelle als Werkzeuge für wissenschaftliche Analyse, Simulation und Design.
Rensmeyer, T., Kramer, D., & Niggemann, O. (2025). On-the-Fly Fine-Tuning of Foundational Neural Network Potentials: A Bayesian Neural Network Approach. arXiv preprint arXiv:2507.13805. https://doi.org/10.48550/arXiv.2507.13805
Rensmeyer, T., & Niggemann, O. (2024). On the convergence of locally adaptive and scalable diffusion-based sampling methods for deep Bayesian neural network posteriors. ArXiv preprint arXiv:2403.08609. https://doi.org/10.48550/arXiv.2403.08609
Boschmann, D., Stieghorst, C., Knezevic, D., Kadri, L., & Niggemann, O. (2024, August). Automation of PGAA spectra analysis with deep learning. In 2024 IEEE 22nd International Conference on Industrial Informatics (INDIN) (pp. 1-8). IEEE. https://ieeexplore.ieee.org/abstract/document/10774320
Hohmann, M., Eilermann, S., Grosmann, W., & Niggemann, O. (2024, September). Design automation: a conditional VAE approach to 3D object generation under conditions. In 2024 IEEE 29th International Conference on Emerging Technologies and Factory Automation (ETFA) (pp. 1-8). IEEE. https://doi.org/10.1109/ETFA61755.2024.10710828
Grosmann, W., Eilermann, S., Rensmeyer, T., Liebert, A., Hohmann, M., Wittke, C. H. A., & Niggemann, O. (2023, December). Position paper on materials design. In AAAI-24 Workshop at the 38th Annual AAAI Conference on Artificial Intelligence; Vancouver, Canada; February 26-27, 2024. arXiv. https://doi.org/10.48550/arXiv.2312.10996
Forschungsrichtung 4: KI-beschleunigte Simulation, digitale Zwillinge und optimale Entscheidungsfindung
Unsere Forschung zielt auf die Entwicklung KI-basierter digitaler Zwillinge und prädiktiver Monitoring-Systeme für Materialien, Strukturen und Fertigungsprozesse ab. Wir entwickeln Methoden zur Integration von Simulationsdaten, Sensordaten und Vorwissen, um schnelle, kosteneffiziente und zuverlässige Zustandsvorhersagen physikalischer Systeme zu ermöglichen. Dies bildet die Grundlage für datenbasierte Entscheidungsunterstützungssysteme, die beispielsweise Regelungsstrategien, Wartungsplanung und Betriebsstrategien unter Berücksichtigung physikalischer, sicherheitstechnischer und regulatorischer Randbedingungen unterstützen.
Coelho, C., Costa, M. F. P., Ferr´as, L. L., & Niggemann, O. (2026). Neural ODEs for Optimal Control: Learning Continuous Trajectories and Feedback Policies via Adaptive Discretisation. Authorea Preprints. DOI: 10.36227/techrxiv.177138734.49140553/v1
Lüddecke, L., Hohmann, M., Eilermann, S., Tillmann-Mumm, J., Pourabdollah, P., Oertel, M., & Niggemann, O. (2026). WeirNet: A Large-Scale 3D CFD Benchmark for Geometric Surrogate Modeling of Piano Key Weirs. arXiv preprint arXiv:2602.20714. https://arxiv.org/abs/2602.20714
Ili´c, S., Jovanˇcevi´c, N., Kneˇzevi´c, D., Maleti´c, D., Stieghorst, C., Nayak, A., … & Krmar, M. (2025). The use of artificial neural networks for the unfolding procedures in neutron activation measurements. The European Physical Journal A, 61(4), 80. https://link.springer.com/article/10.1140/epja/s10050-025-01555-z
Coelho, C., Hohmann, M., Fern´andez, D., Penter, L., Ihlenfeldt, S., & Niggemann, O. (2025). Data-Driven Temperature Modelling of Machine Tools by Neural Networks: A Benchmark. arXiv preprint arXiv:2510.03261. https://doi.org/10.48550/arXiv.2510.03261
Eilermann, S., Heesch, R., & Niggemann, O. (2025). A Continuous-Time Consistency Model for 3D Point Cloud Generation. arXiv preprint arXiv:2509.01492. https://doi.org/10.48550/arXiv.2509.01492
Liebert, A., Dethof, F., Kesler, S., Niggemann, O. (2024). Automated impact echo spectrum anomaly detection using u-net autoencoder. In ECAI 2024 (pp. 4634-4641). IOS Press. https://pdfs.semanticscholar.org/7e1d/330bd88ebf354699335d56659daffc5085e6
Wittke, C., Liebert, A., Friesen, A., Flatt, H., & Niggemann, O. (2024). Potato-Glow: Utilizing Glow for Vision-Based Anomaly Detection in an Industrial Context: A Comparative Benchmarking Approach. In Jahreskolloquium zur Bildverarbeitung in der Automation (pp. 15-28). Berlin, Heidelberg: Springer Berlin Heidelberg. https://link.springer.com/chapter/10.1007/978-3-662-70997-9_2
Krantz, M., Widulle, N., Nordhausen, A., Liebert, A., Ehrhardt, J., Eilermann, S., Niggemann, O. (2022, October). Flipsi: Generating data for the training of machine learning algorithms for cpps. In Annual Conference of the PHM Society (Vol. 14, No. 1) https://doi.org/10.36001/phmconf.2022.v14i1.3229
Forschungsprojekte
KIAAA
Das Projekt „KIAAA – An AI Assistant for Training in Automation“ entwickelt eine Trainingssoftware, die Fachkräfte in der Automatisierungstechnik durch personalisiertes Echtzeit-Feedback unterstützt. Auf Basis adaptiver Simulationen von Produktionsprozessen analysieren KI- und Machine-Learning-Methoden den Wissensstand der Lernenden und generieren individuell angepasste Lernszenarien. Ein Rollenmodell-Agent demonstriert beispielhafte Automatisierungslösungen, während eine kollaborative Umgebung den Wissensaustausch zwischen Lernenden ermöglicht.
Eilermann, S., Wehmeier, L., Niggemann, O., & Deuter, A. (2023, July). KIAAA: An AI assistant for teaching programming in the field of automation. In 2023 IEEE 21st International Conference on Industrial Informatics (INDIN) (pp. 1-7). IEEE.
DigiMed
Das Verbundforschungsprojekt „Digital Value Chains for Medical Technology Based on the Additive Manufacturing of Patient-Specific Facial Surgical Implants (DigiMed)“ verfolgt das Ziel einer nachhaltigen Patientenversorgung durch individuell angepasste Implantate. Im Mittelpunkt steht die Entwicklung und Demonstration einer prototypischen durchgängigen digitalen Wertschöpfungskette, die KI-Methoden und additive Fertigung nutzt, um medizinische Bilddaten direkt in patientenspezifische Gesichtsimplantate zu überführen.
Imgrund, P., Gromzig, P., Böhm, C., Röhrich, L., Lindecke, P., Walter, J., … & Niggemann, O. (2022). Digital work flow and process for additive manufacturing of patient-specific-implants for craniomaxillofacial reconstruction. Transactions on Additive Manufacturing Meets Medicine, 4(S1), 680-680.
LaiLa – Laboratory for Intelligent Lightweight Construction
Das Projekt adressiert weitgehend manuelle und papierbasierte Produktionsprozesse im Faserverbund-Leichtbau. Durch die Kombination symbolischer KI mit Machine Learning sollen digitale Integration, Zustandsdiagnose und prädiktive Wartung ermöglicht werden.
Eilermann, S., Heesch, R., Niggemann, O. (2025). A Continuous-Time Consistency Model for 3D Point Cloud Generation. arXiv preprint arXiv:2509.01492.
KIBIDZ
Eine Echtzeit-Gefährdungsbewertung bei Gebäudebränden erfordert präzise Vorhersagen der Rauchgasströmung, der Temperaturverteilung und der strukturellen Stabilität. Das Projekt entwickelt einen digitalen Zwilling brennender Gebäude durch die Integration von Simulationen, Sensornetzwerken und Machine-Learning-Methoden.
Diese Forschung wird durch dtec.bw – Digitalization and Technology Research Center of the Bundeswehr – gefördert, finanziert durch die Europäische Union im Rahmen von NextGenerationEU.
Liebert et al. (2024): Automated Impact Echo Spectrum Anomaly Detection using U-Net Autoencoder, PAIS @ ECAI 2024 Proceedings DOI:10.3233/FAIA241058
AI Accelerated Materials Design
Dieses Forschungsprojekt entwickelt benutzerfreundliche und vertrauenswürdige KI-beschleunigte Materialsimulationen auf atomarer Ebene. Im Mittelpunkt stehen unsicherheitsgesteuerte autonome Workflows zur Trainings- und Feinabstimmung von Machine-Learning-Kraftfeldern für einzelne Materialkandidaten unter Nutzung von Foundation Models und Bayes’schen neuronalen Netzen.
Diese Forschung wird durch dtec.bw – Digitalization and Technology Research Center of the Bundeswehr – gefördert, finanziert durch die Europäische Union im Rahmen von NextGenerationEU.
Rensmeyer et al. (2024): High accuracy uncertainty-aware interatomic force modeling with equivariant Bayesian neural networks, Digital Discovery, 3, DOI:10.1039/d4dd00183d
Hyperspectral Unmixing of Physical Data with Prior Knowledge
Dieses Dissertationsprojekt untersucht hyperspektrales Unmixing physikalischer Daten mittels Machine Learning unter Integration von Vorwissen. Im Rahmen des Projekts EvalSpek-ML wird der Ansatz auf Prompt Gamma Activation Analysis (PGAA)-Spektren angewendet: Ein neuartiger Dual-Head-Autoencoder, der auf zunehmend realistischen synthetischen Daten trainiert wird, rekonstruiert Hintergrundsignale und schätzt gleichzeitig vollständige Elementzusammensetzungen.
Durch die Einbettung bekannter Referenzspektren in lineare und polynomiale Decoder sowie durch Nebenbedingungen wie Nichtnegativität und Sum-to-One-Bedingungen erreicht das Modell eine bisher unerreichte Genauigkeit bei der Schätzung von Eisen-Chlor-Konzentrationen aus PGAA-Spektren.
Boschmann et al. (2024): Automation of PGAA spectra analysis with deep learning, INDIN 2024, DOI:10.1109/INDIN58382.2024.10774320
Letzte Änderung: 19. März 2026