Die kurze Antwort zuerst: Physik-KI bezeichnet KI-Modelle, die physikalische Simulationen näherungsweise ersetzen oder ergänzen. Wo ein klassischer Strömungssolver Tage rechnet, liefert ein solches Modell oft in Sekunden ein Ergebnis. Das verändert, wie Maschinen, Autos, Halbleiter und Werkstoffe entwickelt werden, denn Simulation ist seit Jahrzehnten das Rückgrat der Konstruktion. Wer jetzt versteht, was die Technik kann und was nicht, entscheidet später nicht unter Zeitdruck.
Wichtig: Physik-KI ersetzt die klassische Numerik nicht. Sie baut auf ihr auf. Die besten Modelle entstehen aus Daten, die klassische Simulatoren erzeugt haben. Wer beides zusammenbringt, gewinnt am meisten.
Was Physik-KI eigentlich ist
Jedes Produkt durchläuft drei Phasen: Design, Test und Betrieb. Seit etwa 50 Jahren laufen Design und Test zu großen Teilen am Computer. Genau wie Sprachmodelle das Programmieren beschleunigt haben, beschleunigen spezialisierte KI-Modelle jetzt diese Konstruktions- und Testschleifen.
In der Praxis handelt es sich um drei verwandte Modelltypen:
- Surrogatmodelle: Ein neuronales Netz ersetzt eine aufwendige Simulation näherungsweise. Stunden oder Tage werden zu Sekunden, allerdings nur innerhalb des trainierten Gültigkeitsbereichs.
- Physics-informed Modelle: Physikalische Gleichungen und Randbedingungen fließen direkt ins Training ein. Ziel ist bessere Verallgemeinerung mit weniger Daten.
- Neural Operators: Modelle, die nicht nur Punktvorhersagen lernen, sondern Abbildungen, etwa von einer Bauteilgeometrie und Belastung auf ein Spannungsfeld.
Die Community hat sich noch nicht auf einen Namen geeinigt. Man hört Physik-KI, Surrogatmodelle, Foundation Models für Physik. Entscheidend ist nicht der Begriff, sondern die Aufgabe: eine Simulation schneller, billiger oder genauer zu machen.
Wo die Anwendungen liegen
Die Einsatzfelder decken große Industriesparten ab. Eine Auswahl:
| Bereich | Was KI approximiert oder verbessert | Typischer Nutzen |
|---|---|---|
| CFD und Strömung | Druck-, Geschwindigkeits- und Temperaturfelder, Turbulenz | Schnellere Variantenbewertung, aerodynamische Optimierung |
| Crash und Strukturmechanik | Verformung, Spannungen, Energieabsorption | Weniger teure Crash-Simulationen, frühere Designentscheidungen |
| Wärme und Thermik | Temperaturverläufe, Kühlung | Optimierung von Batterien, Leistungselektronik, Halbleitern |
| Materialien | Eigenschaften, Mikrostruktur, Ermüdung | Schnellere Werkstoffentwicklung, weniger Laboriterationen |
| Fertigungsprozesse | Gießen, Spritzguss, additive Fertigung | Ausschussreduktion, Prozessoptimierung |
Die größten Zeitgewinne entstehen dort, wo Simulationen am längsten dauern, etwa beim Crash, wo einzelne Läufe viele Stunden brauchen und zehntausende Varianten gerechnet werden, oder dort, wo Entscheidungen in Echtzeit fallen müssen, die Simulation aber weit von Echtzeit entfernt ist. Genau dort sind die Modelle aber auch am schwierigsten zu bauen, weil die Daten erst erzeugt werden müssen und die Genauigkeit wirklich zählt.
Text-to-CAD: Die Sprachmodell-Brücke
CAD-Dateien lassen sich als Sequenz darstellen, ähnlich wie Sprache. Deshalb passen sie überraschend gut in Sprachmodellumgebungen. Werkzeuge, die Bauteile per Texteingabe erzeugen oder ändern, etwa ein neues Loch oder mehr Krümmung, werden zunehmend praktikabel. Auch das Meshing, also die Erzeugung der Rechengitter für Simulationen, ist ein sequentieller Prozess und lässt sich mit Sprachmodellen unterstützen.
Schwieriger wird es im Inneren der Simulation selbst: Dort operieren riesige Matrizen auf dem gesamten Gitter. Das ist eine andere Rechenklasse als Token-Vorhersage. Die Trennung ist wichtig: Instrumentierung, also alles rund um Werkzeuge und Bedienung, ist ein Sprachmodellproblem. Die Physik selbst braucht eigene Modellarchitekturen.
Die Datenfrage entscheidet
Der unterschätzte Teil ist nicht das Training, sondern die Datenerzeugung. Eine Simulation ist eine Abstraktion der Realität mit vielen Annahmen und Vereinfachungen. Erzeugt man Trainingsdaten mit unterschiedlichen Annahmen, lernt das Modell einen Durchschnitt, der keiner echten Physik entspricht. Deshalb ist die Frage, welche Daten man mit welchen Annahmen erzeugt, eine offene Forschungsfrage, und die Dateninfrastruktur ist mindestens so wichtig wie die Modellarchitektur.
Für Unternehmen heißt das: KI-Modelle liefern keine automatisch gültige physikalische Wahrheit. Extrapolation, seltene Lastfälle, Geometrieänderungen und neue Materialien bleiben kritisch. Sicherheitsrelevante Entscheidungen brauchen weiter Validierung, klassische Solver und Tests.
Agentic Engineering: Was als Nächstes kommt
Beim Programmieren haben verifizierbare Belohnungen den Durchbruch gebracht: Man kann prüfen, ob Code läuft, deshalb lernten Modelle schnell. Im Ingenieurwesen gilt dasselbe Prinzip, denn auch Simulationen lassen sich prüfen, ob sie konvergieren und physikalisch stimmen. Das Feld, Agentic Engineering genannt, dürfte in ein bis zwei Jahren ähnlich rasant werden wie heute das Coding. Die Folge: mehr Entwürfe in kürzerer Zeit, aber auch schwierigere Review-Prozesse, weil die Menge der Ergebnisse explodiert.
Ein Beispiel für die Dynamik: Das österreichische Startup Emmi AI, gegründet Ende 2024 aus der Wetter- und Physikforschung heraus, wurde im Mai 2026 von Mistral AI übernommen, dem größten europäischen KI-Unternehmen. Mistral bringt damit Physik-Simulation in sein B2B-Geschäft, von der Halbleiterindustrie bis zur Luftfahrt. Die Übernahme zeigt, dass drei Bausteine zusammenkommen müssen: große Sprachmodelle für die Orchestrierung, Physikmodelle für die Simulation und echte Industrieprobleme aus Partnerschaften. Europa hat beim dritten Baustein einen echten Vorteil, denn Ingenieurswesen ist historisch eine Stärke des deutschsprachigen Raums.
Was Geschäftsführer jetzt tun sollten
Es gibt kein Kochrezept, welches Werkzeug zu welchem Betrieb passt. Die Anforderungen sind zu unterschiedlich, und manchmal weiß man vorher nicht, welche Stellschraube den größten Hebel bringt. Was sich aber klar sagen lässt:
- Mit einem Assessment starten: Welche Simulationen kosten heute am meisten Zeit und Geld?
- Ein klares Problem wählen, das sich messen lässt, statt Technologie um ihrer selbst willen einzuführen.
- Partnerschaften eingehen: Die Kombination aus Sprachmodellen, Physikmodellen und Industrienähe baut niemand allein im stillen Kämmerlein.
- Nicht warten: Wer nichts tut, verliert nicht nur Zeit, sondern auch den Zugriff auf Fortschritt, Arbeitsplätze und Wachstum.
Zeitplan für den Einstieg
| Zeitraum | Schritt | Ergebnis |
|---|---|---|
| Monat 1 | Assessment: Simulations- und Konstruktionsprozesse inventarisieren | Liste der teuersten und häufigsten Simulationsläufe |
| Monat 2 | Ein Pilotfeld festlegen, etwa CFD-Varianten oder Wärmeauslegung | Klar definierter Anwendungsfall mit Erfolgskriterium |
| Monat 3 | Datenlage prüfen: Welche historischen Simulationsdaten existieren? | Datenbestandsaufnahme inklusive Annahmen und Grenzen |
| Monat 4-6 | Pilot mit einem Physik-KI-Modell gegen den klassischen Solver testen | Messbare Zeitersparnis und Genauigkeitsvergleich |
| Monat 7+ | Entscheidung über Skalierung oder Abbruch | Investitionsplan für Folgeprojekte |
Checkliste vor dem Start
- ✓Ich habe ein konkretes Simulationsproblem identifiziert, kein allgemeines KI-Interesse.
- ✓Ich weiß, wie lange meine kritischen Simulationen heute dauern und was sie kosten.
- ✓Meine Trainingsdaten stammen aus konsistenten Annahmen und Simulationen.
- ✓Ich habe definiert, wie Genauigkeit gemessen und abgesichert wird.
- ✓Sicherheitskritische Entscheidungen bleiben an klassischer Validierung gekoppelt.
- ✗Ich erwarte, dass ein Modell außerhalb seines Trainingsbereichs zuverlässig bleibt.
- ✗Ich plane die Einführung ohne Prüfung der vorhandenen Rechen- und Dateninfrastruktur.
Fazit
Physik-KI ist keine Zukunftsmusik, sondern findet gerade in der Industrie statt. Die Unternehmen, die jetzt ein klares Feld wählen und ihre Daten in Ordnung bringen, werden die ersten sein, die Entwicklungszyklen spürbar verkürzen. Die Technologie ersetzt den Ingenieur nicht, sie gibt ihm bessere Werkzeuge. Und wie beim Agentic Coding gilt: Die Menge der Entwürfe steigt, die Aufgabe verschiebt sich vom Rechnen zum Bewerten.
Wer Unterstützung bei der Einordnung und Umsetzung sucht, findet bei uns den passenden Einstieg über die KI-Implementierung oder unsere Arbeit zu agentischen Systemen.
Quellen
- Reuters (19.05.2026): Mistral AI kauft österreichisches Physik-KI-Startup Emmi AI für den Industrieausbau.
- Emmi AI / Mistral AI (2026): Ankündigungen zur Übernahme und zur AI-nativen Industrie.
- Proceedings of the Design Society: From Text to Design, LLM-Agenten für automatisierte CAD-Generierung.
- arXiv (2026): Recent Advances in Computational Fluid Dynamics Using AI and Machine Learning.
Weiterführend: KI-Implementierung für Unternehmen und Agentische Systeme verstehen.
Stand: September 2026
