Windturbinenblätter: Von Punktschätzern zur vollständigen Unsicherheitsquantifizierung
Rotorblätter von Windkraftanlagen sind sicherheitskritische Strukturen, die extremen Belastungen ausgesetzt sind. Fertigungsabweichungen — selbst innerhalb zulässiger Toleranzen — führen zu Unterschieden zwischen dem entworfenen Blatt und dem, was tatsächlich vom Band läuft. Betreiber möchten die tatsächlichen inneren Eigenschaften kennen (Materialparameter, Lagenaufbau), doch diese lassen sich nicht direkt messen. Der übliche Umweg: Das Blatt wird in Schwingung versetzt, das Schwingungsverhalten gemessen, und ein inverses Problem gelöst, um auf die Strukturparameter zurückzuschließen.
In Zusammenarbeit mit Forscher:innen im Bereich Windenergie an der Leibniz Universität Hannover habe ich deren bestehende Inversmodellierungs-Pipeline durch ein invertierbares neuronales Netz ersetzt. Der alte Ansatz funktionierte, war aber langsam und lieferte nur Punktschätzer — ohne Angaben zur Konfidenz oder Mehrdeutigkeit. Das INN erzeugt in einem einzigen Vorwärtsdurchlauf eine vollständige Wahrscheinlichkeitsverteilung über mögliche Strukturzustände. Dadurch wird sichtbar, welche Parameter durch die Messungen eng eingegrenzt werden und welche grundsätzlich mehrdeutig bleiben — einschließlich einiger nicht offensichtlicher Entartungen, die die Ingenieure nicht erwartet hatten. Das Ergebnis: schnellere Inferenz und ein klares Bild davon, was man tatsächlich weiß und was man nur schätzt.
Paper in Wind Energy lesen (Open Access)
Haarrekonstruktion: Vom Studioscanner zum Smartphone
Strangbasierte Haare sind der Goldstandard für realistische Charaktere in Spielen, Film und VR. Deren Erfassung erforderte traditionell jedoch teure Multi-Kamera-Rigs und aufwendige manuelle Nachbearbeitung. In meiner letzten Rolle habe ich an einer End-to-End-Pipeline mitgearbeitet, die mit nur wenigen Smartphone-Fotos auskommt. Das System nutzt ein CNN, um eine initiale Frisur vorherzusagen, und verfeinert anschließend die Strangpositionen mittels differenzierbarem Rendering, um beobachtete Haargrenzen und -orientierungen abzugleichen. Ein wesentlicher Engpass waren Trainingsdaten: Ground-Truth-Stranggeometrie für echte Fotos existiert schlicht nicht. Wir lösten dies durch Generierung eines großen synthetischen Datensatzes mit vielfältigen Frisuren, variierender Beleuchtung und realistischen Augmentierungen.
Die Rekonstruktion läuft in etwa zwei Minuten und liefert saubere Strang-Assets, die direkt in Blender, Unreal, Unity oder anderen 3D-Tools verwendet werden können. Eine wichtige Erkenntnis aus diesem Projekt: Für Robustheit in der Praxis reicht ein einzelnes gelerntes Modell selten aus. Das CNN allein produziert plausible, aber generische Ergebnisse — erst die mehrstufige Verfeinerung sorgt dafür, dass einzelne Strähnen der tatsächlichen Aufnahme entsprechen. Diese Kombination aus gelernten Priors und klassischer Optimierung ist ein Muster, das sich beim Übergang von Forschungsmethoden zu Produktionssystemen wiederholt bewährt hat.
Das Produkt ist live und kann unter copresence.tech ausprobiert werden. Für technische Details siehe den SIGGRAPH 2025 Talk .
Chirurgische Bildgebung: Die richtige Kamera wählen, bevor man sie baut
Multispektralkameras, die während Operationen eingesetzt werden, können Gewebeeigenschaften wie Oxygenierung und Blutgehalt in Echtzeit schätzen — wertvolle Informationen für Chirurg:innen. Doch bevor man ein solches Gerät baut oder kauft, sollte man wissen: Kann diese Kamerakonfiguration die Parameter, die uns interessieren, überhaupt rekonstruieren? Gemeinsam mit Forscher:innen am DKFZ (Deutsches Krebsforschungszentrum) habe ich diese Frage mittels Bayesian Deep Learning untersucht. Anstatt einen einzelnen Wert vorherzusagen, gibt das Modell eine vollständige Wahrscheinlichkeitsverteilung über mögliche Gewebezustände aus, wodurch sich nicht nur der Fehler, sondern auch die fundamentale Mehrdeutigkeit quantifizieren lässt.
Die zentrale Erkenntnis: Manche Kamerakonfigurationen können die relevanten Gewebeparameter schlicht nicht rekonstruieren — die Posteriorverteilung ist so breit, dass die Schätzung nahezu bedeutungslos ist, unabhängig davon, wie gut der Algorithmus ist. Überraschenderweise schnitt eine speziell entwickelte 3-Band-Medizinkamera vergleichbar ab wie ein 8-Band-Forschungssystem, das eine Größenordnung mehr kostet. Dies verschiebt die Fragestellung bei der Kameraauswahl von „Welche hat den niedrigsten Fehler auf einem Benchmark?" zu „Welche Konfigurationen sind grundsätzlich geeignet?" — eine Frage, die man vor der Investition in Hardware beantworten sollte.
Paper im International Journal of Computer Assisted Radiology and Surgery
Springer (DOI)
· arXiv (Open Access)