Forschende der Empa und des Schweizer Quanten-Technologieunternehmens Terra Quantum haben ein KI-Modell entwickelt, das komplexe Laserschweissprozesse deutlich schneller simulieren kann. Das sogenannte LP-FNO erstellt dreidimensionale Vorhersagen der Schmelzzone innerhalb von Millisekunden und könnte damit neue Möglichkeiten für Prozessoptimierung und digitale Zwillinge in der industriellen Fertigung eröffnen.
Komplexe Physik macht Simulationen langsam
Laserschweissen wird unter anderem in der Automobilindustrie, der Luft- und Raumfahrt sowie bei der Herstellung medizinischer Komponenten eingesetzt. Das Verfahren ermöglicht präzise und automatisierbare Fertigungsprozesse, ist physikalisch jedoch anspruchsvoll: Beim Auftreffen des Laserstrahls auf das Metall entstehen gleichzeitig Wärmeübertragung, Strömungen, Phasenwechsel und Veränderungen der freien Oberfläche.
Eine besondere Rolle spielen dabei sogenannte «Keyholes». Der Laser schmilzt das Material lokal auf, während durch Verdampfung ein Rückstossdruck entsteht. Dadurch kann sich ein tiefer, schmaler Hohlraum bilden, in dem sich Laserlicht mehrfach reflektiert und die Energieaufnahme im Material erhöht. Die genaue Entwicklung dieser Schmelzzone beeinflusst die Qualität der späteren Schweissnaht.
Für die Analyse solcher Prozesse kommen bisher vor allem physikalisch basierte Mehrphysik-Simulationen zum Einsatz. Diese können die relevanten Vorgänge detailliert abbilden, benötigen aufgrund ihres hohen Rechenaufwands aber erheblich mehr Zeit als der eigentliche industrielle Prozess. Nach Angaben der Forschenden kann eine Simulation bei einer Auflösung von 10 Mikrometern mehrere Minuten dauern, während feinere Berechnungen deutlich länger benötigen.
KI-Modell erstellt 3D-Vorhersagen in Millisekunden
Hier setzt das von den Forschenden entwickelte «Laser Processing Fourier Neural Operator» (LP-FNO) an. Das Modell wurde anhand hochauflösender Mehrphysik-Simulationen trainiert und lernt den Zusammenhang zwischen Prozessparametern wie Laserleistung und Abtastgeschwindigkeit sowie den daraus entstehenden Temperaturfeldern und der Geometrie der Schmelzzone.
Nach dem Training kann LP-FNO vollständige dreidimensionale Vorhersagen in wenigen Millisekunden erstellen. Die wissenschaftliche Publikation beschreibt Vorhersagen im Bereich von einigen Dutzend Millisekunden und eine Beschleunigung von bis zu 100’000 gegenüber herkömmlichen Finite-Volume-Mehrphysik-Simulationen. Damit wird ein Rechenaufwand, der bisher Minuten oder länger dauern konnte, auf eine für viele Anwendungen wesentlich kürzere Zeit reduziert.
Das Modell erreichte in der untersuchten Prozessspanne eine durchschnittliche relative Temperaturabweichung von rund 2,5 Prozent. Bei der Erkennung beziehungsweise Segmentierung der Schmelzzone wurden sogenannte Intersection-over-Union-Werte von mehr als 0,9 erreicht. Die Forschenden verglichen LP-FNO zudem mit anderen neuronalen Modellen und stellten dabei für die untersuchte Aufgabe ein günstiges Verhältnis zwischen Genauigkeit und Rechenaufwand fest.
Bewegter Laser vereinfacht das Lernproblem
Ein wesentlicher Bestandteil der Methode ist eine neue Formulierung des Simulationsproblems. Statt den Laser und das Material in einem festen Bezugssystem vollständig zeitabhängig zu beschreiben, wird das Problem in ein Bezugssystem übertragen, das sich mit dem Laserstrahl bewegt.
Durch eine zeitliche Mittelung lässt sich der untersuchte Prozess unter bestimmten Bedingungen als quasi-stationäres Problem behandeln. Dadurch kann das neuronale Modell die räumlichen Zusammenhänge effizient lernen. Die Methode wurde sowohl für den Wärmeleitungsmodus als auch für den stabilen Keyhole-Modus untersucht.
Die Forschenden weisen allerdings auch auf Grenzen hin. Besonders stark instationäre Vorgänge wie der Zusammenbruch von Keyholes oder die Entstehung von Poren werden mit der derzeitigen quasi-stationären Formulierung nicht vollständig erfasst. Für solche Vorgänge wären weiterentwickelte, zeitabhängige Modelle erforderlich.
Grundlage für digitale Zwillinge und Echtzeitsteuerung
Die hohe Rechengeschwindigkeit könnte langfristig Anwendungen ermöglichen, die mit klassischen Simulationen bisher nur schwer umsetzbar sind. Dazu zählen etwa die schnelle Suche nach geeigneten Prozessparametern, digitale Zwillinge von Fertigungsprozessen und eine mögliche Echtzeitsteuerung von Lasersystemen.
Die Empa arbeitet bereits seit mehreren Jahren an Verfahren, bei denen maschinelles Lernen für die Überwachung und Steuerung von Laserprozessen eingesetzt wird. Dabei geht es unter anderem darum, verschiedene Prozesszustände und mögliche Fehler während der Bearbeitung möglichst schnell zu erkennen.
Die aktuelle Studie geht einen anderen Weg: Statt lediglich Messdaten während des Prozesses auszuwerten, dient das KI-Modell als schneller Ersatz für eine aufwendige physikalische Simulation. Dadurch könnten deutlich mehr Varianten von Laserleistung, Abtastgeschwindigkeit und weiteren Parametern untersucht werden, ohne für jede Variante eine vollständige Mehrphysik-Simulation durchführen zu müssen.
Zusammenarbeit von Empa und Terra Quantum
An der Studie beteiligt waren Forschende der Empa und von Terra Quantum. Das Unternehmen mit Sitz in St. Gallen arbeitet unter anderem an Quantencomputing, Quantenalgorithmen und hybriden Quanten-Klassik-Verfahren.
Die aktuelle Arbeit selbst basiert jedoch auf einem klassischen Fourier Neural Operator. Im Mittelpunkt steht also nicht die direkte Beschleunigung der Simulation durch einen Quantencomputer, sondern der Einsatz eines maschinellen Lernmodells als sogenanntes Surrogate-Modell für eine aufwendige physikalische Berechnung.
Die Ergebnisse wurden am 19. August 2026 im Fachjournal Journal of Intelligent Manufacturing veröffentlicht. Die Studie zeigt damit einen Ansatz, wie physikalisch detaillierte Simulationen und künstliche Intelligenz kombiniert werden können, um komplexe Fertigungsprozesse wesentlich schneller zu analysieren.
