de.wedoany.com-Bericht: Die italienische Dallara-Gruppe und das US-amerikanische Unternehmen IBM gaben am 30. April 2026 offiziell eine Kooperation zur gemeinsamen Entwicklung eines physikbasierten KI-Basismodells bekannt, um das aerodynamische Design und die Optimierung von Hochleistungsfahrzeugen zu beschleunigen und die explorative Anwendung von Quantencomputing in Design-Workflows zu starten. Dallara ist ein weltweit führender Hersteller von Renn- und Hochleistungsfahrzeugen und exklusiver Chassis-Lieferant für Top-Rennserien wie IndyCar, Formel 2, Formel 3, Super Formula und Indy NXT. Zudem ist das Unternehmen in Serien wie der Formel E, der WEC und der IMSA vertreten. Seine Ingenieurskompetenz erstreckt sich auch auf Hochleistungs-Straßenfahrzeuge und die Luft- und Raumfahrt.
Der technologische Kern dieser Zusammenarbeit ist das von IBM Research entwickelte Graph Neural Network-Modell GIST. Wie aus einer gemeinsamen Mitteilung hervorgeht, entwarfen Ingenieure in einem frühen Test mit einem Objekt, das einem Le-Mans-Prototypen 2 ähnelt, mehrere geometrische Konfigurationen für den Diffusor – ein kritisches Bauteil am Fahrzeugheck, das Abtrieb zur Verbesserung der Bodenhaftung erzeugt – und bewerteten diese sowohl mit traditionellen CFD-Methoden als auch mit dem physikalischen KI-Modell von IBM. Während die traditionelle CFD-Stromungssimulation für alle Konfigurationen Stunden benötigte, führte das KI-Modell dieselbe Bewertung in etwa 10 Sekunden durch, identifizierte dasselbe optimale Design und wies eine Fehlermarge auf, die mit der der CFD vergleichbar ist. Dallara schätzt, dass der Einsatz dieses KI-Ersatzmodells für die typische Bewertung von Hunderten geometrischer Konfigurationen die Simulationszeit von Tagen auf Minuten verkürzen kann.
Der technische Durchbruch des GIST-Modells liegt im kognitiven Sprung von der „Punktwolke" zur „Netztopologie". Frühere Graphmodelle zur Vorhersage aerodynamischer Kräfte behandelten das Fahrzeugnetz meist als einfache Punktwolke, was für gewöhnliche Pkw ausreichen mag, nicht aber für extrem feine aerodynamische Bauteile wie Frontflügel oder Gurney Flaps am Heckflügel, bei denen physikalisch benachbarte Punkte auf beiden Seiten der Netzstruktur völlig entgegengesetzten Kräften ausgesetzt sein können. GIST kodiert sowohl die Koordinaten der Netzpunkte als auch deren Verbindungsbeziehungen, erfasst die Netztopologie präziser und liefert bei der Vorhersage komplexer Bauteile Ergebnisse, die den physikalischen Gesetzmäßigkeiten näherkommen. Um die Komplexität der Skalierungsfähigkeit des Graph-Transformers zu reduzieren, verwendeten die Forscher eine Zufallsprojektionsmethode zur Generierung von Graph-Embeddings und entwarfen eine eichinvariante Architektur, die eine nahtlose Generalisierung des Modells über verschiedene Embedding-Projektionen und Netzdichten hinweg gewährleistet.
Die Trainingsdaten des Modells stammen aus Dallaras proprietären, hochgenauen aerodynamischen Simulationsdaten und umfassender technischer Erfahrung. Beide Parteien planen, in zukünftigen Phasen Windkanal- und Streckendaten zu integrieren, um die Realitätstreue des Modells weiter zu erhöhen. Andrea Pontremoli, CEO von Dallara, betonte, dass der Sprung von Stunden auf Sekunden bedeute, in derselben Zeit weitaus mehr Entwicklungsiterationen als bisher durchführen zu können. IBM sei der einzigartige Partner, um Quantencomputing-Fähigkeiten in diese Algorithmen einzubringen, was zukünftig noch mehr Durchbrüche ermögliche. Alessandro Curioni, Senior Vice President von IBM Research, erklärte, KI entwickle sich zu einer Basisfähigkeit, die in alle Workflows integriert werden könne. Diese neue Art von KI und algorithmischer Evolution, die aus Daten lerne, ermögliche es Ingenieuren, auf völlig andere Weise Entdeckungen zu machen – und das um mehrere Größenordnungen schneller.
Fabrizio Arbucci, Chief Information Officer von Dallara, wies darauf hin, dass Hochleistungsfahrzeuge ein ideales Testfeld für neuronale Ersatzmodelle seien und deren potenzielle Auswirkungen weit über die Rennstrecke hinausgingen. Selbst eine Reduzierung des Luftwiderstands um 1 bis 2 Prozent im Pkw-Bereich summiere sich zu erheblichen Kraftstoffeffizienzgewinnen. Daher könne die Technologie neben der Bereitstellung effizienterer Entwicklungswerkzeuge für bestehende Rennsportprojekte wie LMP2 und IndyCar auch auf die aerodynamische Optimierung von Serienfahrzeugen und in der Luft- und Raumfahrt ausgeweitet werden. IBM und Dallara starteten gleichzeitig die explorative Anwendung von Quantencomputing, um zu bewerten, ob Quanten- und hybride Quanten-klassische Berechnungen die Simulationsgenauigkeit komplexer aerodynamischer Probleme weiter erhöhen können. Erste Ergebnisse wurden bereits in einer Preprint-Studie auf arXiv veröffentlicht.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
