Results of the DLR project group “Machine Learning and Quantum Computing - Digitalization of Aircraft Development 2.0”

Aug 4, 2026

Upload by Ezra

The article provides an overview of topics addressed in the DLR project group “Machine Learning and Quantum Computing – Digitalization of Aircraft Development 2.0”. The group investigates how machine-learning approaches and quantum computing can be used in numerical fluid-flow simulations, including physics-informed neural networks (PINNs) for aerodynamic problems and their mapping to GPUs and future quantum hardware. It also explores physics-informed quantum circuits (PIQCs), simulator studies on qubit requirements and accuracy, and neural-network-based correction of low-fidelity results based on coarse discretizations to improve efficiency.

LanguageEnglish

CategoryResearch & Report

FormatPDF

Pages6

Reading Time15 min

AccessFree to download

Motivation and topics

Virtual product and digitization context

PINNs and parameterized simulation

Physics-informed quantum circuits and quantum simulation

Machine learning for correcting low-fidelity simulations

Results: machine learning for solving partial differential equations

Scientific machine learning (SciML) and core idea

Loss function formulation and automatic differentiation

Comparison with classical numerical methods

Results of the DLR project group “Machine Learning and Quantum Computing – Digitalization of Aircraft Development 2.0" Author Stefan Langer German Aerospace Center (DLR) Institute of Aerodynamics and Flow Technology Lilienthalplatz 7 38108 Braunschweig [stefan.langer@dlr.de](stefan.langer@dlr.de) Zusammenfassung Dieser Artikel gibt einen kurzen Überblick über Themen die in der DLR Projektgruppe “Machine Learning and Quantum Computing – Digitalization of Aircraft Development 2.0" bearbeitet wurden. Die Projektgruppe befasste sich mit der übergeordneten Fragestellung, wie Themen aus dem Bereich des maschinellen Lernens und Quantencomputer in der numerischen Strömungssimulation eingesetzt werden können. 1. MOTIVATION, DARSTELLUNG DER THEMEN Das virtuelle Produkt hat im DLR eine zentrale und wichtige Bedeutung im übergeordneten Kontext der Digitalisierung der Luftfahrt. Es zieltdarauf ab, Luftfahrzeuge umfassend im Computer zu simulieren und zu entwerfen. Zur Umsetzung bedarf es einer fortdauernden Weiterentwicklung moderner Methoden und Algorithmen, die auch das Potential aufweisen, auf Hardware der Zukunft (z. B. Quantencomputer) effizient umgesetzt werden zu können. Im Rahmen der vom DLR-Institut für Aerodynamik und Strömungstechnik geleiteten DLR-Projektgruppe „Maschinelles Lernen und Quantencomputing – Digitalisierung der Luftfahrzeugentwicklung 2.0“ wurde untersucht, ob und wie mit Hilfe von innovativen Methoden aus dem Bereich des maschinellen Lernens aerodynamische Simulationen durchgeführt und verbessert und wie diese Verfahren auch auf Quantencomputern umgesetzt werden können. Innerhalb der Projektgruppe wurden unter anderem neuartige Simulationsalgorithmen basierend auf neuronalen Netzen entwickelt und auf kompressible, strömungsmechanische Probleme angewendet. Diese so genannten Physik-kennenden neuronalen Netze (engl. physics-informed neural networks, PINNs) lassen sich mit gewissen Anpassungen auf GPUs undperspektivisch auch auf Quantencomputer übertragen. Im Gegensatz zu etablierten finiteVolumen Verfahren, bei denen im Allgemeinen nur eine gegebene, spezielle Simulation durchgeführt werden kann, eröffnet dieseneuartige Vorgehensweise die Möglichkeit, verschiedene Parameter wie Objektform oder Strömungsbedingungen als Variablen in die Simulation zu integrieren. Nachdem ein neuronales Netz antrainiert wurde, lassen sich so sehr viele verschiedene Simulationsergebnisse unter Variation der Parameter effizient erzeugen. Bisher wurde parametrische PINNS zur Lösung der kompressiblen Eulergleichungen für die Strömung um Ellipsen und 2D Profile erfolgreich demonstriert. Ferner wurde im Rahmen der Projektgruppe untersucht, auf welche Weise insbesondere die oben genannten PINN Ansätze genutzt werden können, um diese perpektivisch auch auf Quantencomputern umsetzen zu können. Analog zu PINNs wurden hierzu sog. Physics-Informed Quantum Circuits (PIQCs) entwickelt und Quantensimulatoren genutzt, um das Lösen von Differentialgleichungen unter dem Einsatz von PIQCs zu simulieren. Hierbei konnten erste Erkenntnisse z. B. über die Anzahl benötigter Qubits und die Genauigkeit solcher Verfahren gewonnen werden. Ein weiteres Forschungsgebiet der Projektgruppe befasste sich mit der Fragestellung, wie maschinelles Lernen genutzt werden kann, um die Auflösung von relativ ungenauen Simulationsergebnissen, die auf groben Diskretisierungen beruhen, zu verbessern. Ergebnisse, die im Rahmen der Projektgruppe erzielt werdenn konnten, zeigen, dass Verfahrenaus der Bildbearbeitung genutzt und so weiterentwickelt werden können, dass mit Hilfe neuronaler Netze Korrekturen von Strömungssimulationen möglich sind. Da grobe Diskretisierungen auf einer signifikanten Reduktion der Freiheitsgrade einer Simulation beruhen, kann perspektivisch dadurch die Effizienz von sehr zeitaufwändigen Simulationenverbessert werden. 2. ERGEBNISSE: MASCHINELLES LERNEN ZUM LÖSEN PARTIELLER DIFFERENTIALGLEICHUNGEN In den vergangenen fünf

FAQs

What is the main goal of the DLR project group “Machine Learning and Quantum Computing – Digitalization of Aircraft Development 2.0”?

To assess how methods from machine learning and quantum computing can be applied to numerical fluid-flow simulations for aircraft development.

How do physics-informed neural networks (PINNs) support aerodynamic simulations in this work?

PINNs incorporate physical governing equations through a loss functional and can be trained to efficiently generate many simulation results by varying parameters such as geometry and flow conditions.

What quantum-related approaches are investigated by the project group?

The work develops physics-informed quantum circuits (PIQCs) and uses quantum simulators to study differential-equation solving, including early insights into required qubit counts and solution accuracy.

Aug 4, 2026

Upload by Ezra