Moonshots Multi-Source Trend Tracker

Wozu dieser Tab

Die Trendlinien sagen, wie schnell sich etwas bewegt. Dieser Tab sagt, wer es bewegt — und wer dagegenhält. Jede Zeile ist eine reale, datierte Quelle: Datum, Länge und Abrufzahl stammen aus dem Video selbst (yt-dlp, 24 Suchen am 17.09.2026), nicht aus einer Such-Vorschau.

Der Korpus umfasst 75 Videos: 33 zu Agentic Engineering und Physical AI, 42 zur Frage, wie neuronale Netze die numerische Simulation selbst schneller machen. Andockpunkt im Haus: Megatrend MT13 (Linien AE.1–AE.12).

A · Die 18 Stimmen

Sortiert nach Gewicht für unsere Fragestellung, nicht nach Bekanntheit. Die Spalte »Lager« ist eine Einordnung des Hauses, keine Selbstbeschreibung der Person.

B · Sieben Wege, wie neuronale Netze numerische Simulation optimieren

Die Wege stehen nebeneinander, nicht hintereinander — und sie scheitern an verschiedenen Stellen. Wer »AI beschleunigt Simulation« liest, sollte zuerst fragen, welcher der sieben gemeint ist.

1 · Physik in die Verlustfunktion (PINNs)

Das Netz lernt die Lösung, die Differentialgleichung selbst steht im Trainingsfehler. Stark bei dünnen Daten und inversen Problemen, schwach bei steifen, mehrskaligen Industriefällen.

Quellen: George Karniadakis — From PINNs to DeepONets · Physics Informed Neural Networks (PINNs) · Physics-Informed AI: What Actually Works? | Nathan Kutz

2 · Den Lösungsoperator lernen (FNO, DeepONet)

Nicht eine Lösung, sondern die Abbildung Randbedingung → Feld. Erst damit wird ein Surrogat geometrie- und parameterübergreifend brauchbar — der eigentliche Sprung der letzten Jahre.

Quellen: Anima Anandkumar — Neural operator: A new paradigm for learning PDEs · Fourier Neural Operator (FNO) · Deep Operator Networks (DeepONet) · ICML 2024 Tutorial: Machine Learning on Function Spaces / Neural Operators · AISE: Fourier Neural Operators (Vorlesung) · Fourier Neural Operators (FNO) in JAX — Implementierung · DeepONet Tutorial in JAX — Implementierung

3 · Gelernte Simulatoren auf dem Netz (Graph-Netze)

Der Zeitschritt selbst wird gelernt, direkt auf der Gittertopologie, adaptiv verfeinert. Referenz: MeshGraphNets von DeepMind — die Arbeit hinter fast jedem GNN-Surrogat-Claim.

Quellen: Tobias Pfaff (DeepMind) — Learning Mesh-Based Simulation with Graph Networks · MeshGraphNets — ICLR-2021-Kurzvideo

4 · Differenzierbare Löser (Netz IM Solver)

Der klassische Löser bleibt und wird ableitbar gemacht; das Netz korrigiert ihn Schritt für Schritt statt ihn zu ersetzen. Technisch der sauberste Kompromiss zwischen Genauigkeit und Tempo.

Quellen: Can AI Learn Physics? Differentiable Simulation & Foundation Models | Nils Thuerey · Differentiable Physics (for Deep Learning) — Übersichtsvortrag · Nils Thuerey — ΦFlow: differenzierbares PDE-Framework · DLSC: Introduction to Differentiable Physics, Teil 1 · DDPS: Differentiable Physics Simulations for Deep Learning

5 · Surrogate und Foundation Models für CFD/FEM

Ein vortrainiertes Modell sagt aus der Geometrie direkt das Feld vorher — bei Emmi AI inzwischen ohne Vernetzungsschritt. Das ist die Linie mit dem größten Versprechen und der dünnsten unabhängigen Prüfung.

Quellen: Can We Build a Foundation Model for CFD? | Johannes Brandstetter · AB-UPT: Neural CFD Surrogates für Fahrzeug-Aerodynamik (TMLR) · Foundation Models for CFD: What They Are and Why They Matter · Can AI Build Foundation Models for Engineering? | Karthik Duraisamy · Fluid Intelligence: Can AI Learn the Physics of Fluids? | Brandstetter & Mishra · ML und AI in der Finite-Elemente-Analyse — Demo mit Marc/Mentat · Build a Self-Learning AI for FEA | Python + Neural Network + CalculiX

6 · Gelernte Turbulenz- und Materialschließungen

Kein Ersatz des Lösers, sondern ein besseres Modell IN ihm — der Weg, auf dem ML zuerst in den industriellen Alltag kommt, und der mit der härtesten Validierungspflicht.

Quellen: Can AI Fix Turbulence Models? AI for Fluid Mechanics | Paola Cinnella · Can AI Discover New Fluid Mechanics? | Ricardo Vinuesa · NASA, CFD and the Future of Turbulence Modelling | Chris Rumsey · The k-ω SST Model, RANS and the Future of CFD | Florian Menter · Turbulence Modelling and the Origins of Modern CFD | Brian Launder

7 · Wetter als Beweis, dass es trägt

Der einzige Bereich, in dem ein gelerntes Modell den klassischen Löser operativ geschlagen hat. Wer wissen will, wie »AI ersetzt Numerik« bei Erfolg aussieht, schaut hierhin — und auf die Bedingungen, die es dort möglich machten.

Quellen: GraphCast: Learning skillful medium-range global weather forecasting

C · Korpus 1 — Numerische Simulation × neuronale Netze (42)

C.1 Die Interview-Reihe »AI for CFD & Computational Engineering« (20 Folgen)

Eine einzige Reihe deckt 14 der 18 Stimmen ab — inklusive der Skeptiker. Neuste Folge 11.08.2026, Gesamtlaufzeit über 22 Stunden. Playlist

C.2 Methoden, Vorlesungen, Implementierungen (22)

Von der Erklärung (Brunton, 20–35 min) über die Originalarbeit (Karniadakis, Anandkumar, Pfaff, Thuerey) bis zum nachbaubaren Code (JAX-Tutorials, CalculiX + Netz).

D · Korpus 2 — Agentic Engineering & Physical AI (33)

Die Liste vom 17.09.2026, hier vollständig veröffentlicht. 20 der 33 Videos sind jünger als 90 Tage. Ausführliche Fassung mit Begründung je Empfehlung: Kuratierte Auswertung · Rohdaten: JSON

E · Fünf Befunde aus der Suche selbst

1. Die unabhängigen Stimmen hängen an EINEM Kanal — und der gehört einem Anbieter. 14 der 18 Personen sprechen in der Reihe von Neil Ashton und nirgends sonst in vergleichbarer Länge. Nachgeprüft am 17.09.: Ashton ist Distinguished Engineer bei NVIDIA (zuvor AWS, Oxford). Die Gäste sind unabhängige Hochschulleute, die Auswahl der Gäste ist es nicht. Konsequenz: das Klumpenrisiko ist doppelt — ein Kanal, und dessen Kuratierung sitzt bei dem Konzern, dessen Hardware jede dieser Methoden verkauft. Zweite Quelle aktiv suchen.
2. Der Streit läuft nicht zwischen »AI« und »CFD«, sondern zwischen sieben Methoden. PINNs, Operator-Learning, Graph-Simulatoren, differenzierbare Löser, Surrogate, gelernte Schließungen, Wettermodelle — sie versprechen Verschiedenes und scheitern an Verschiedenem. Eine Trendlinie, die nur »Beschleunigungsfaktor« misst, mischt sie zusammen.
3. Die Lehrvideos sind zehnmal so groß wie die Debatte. Bruntons PINN-Erklärung hat 217 109 Abrufe, die fachliche Auseinandersetzung darüber (Kutz, 77 min) 803. Das Gefälle ist selbst ein Signal: Das Feld hat viele Lernende und wenige Prüfende.
4. Wetter ist der einzige harte Beleg. Nur dort hat ein gelerntes Modell den klassischen Löser operativ geschlagen — bei täglich neuen Messdaten weltweit. Genau diese Bedingung fehlt in CFD und FEM. Wer die Analogie benutzt, muss sie mitliefern.
5. Zwei Suchbegriffe tragen nicht (Messung vom 17.09.): »Generative Engineering« 8 von 8 Treffern daneben, »physics in the loop« 2 von 2. Gültiges Vokabular: agentic engineering, engineering AI agent, neural operator, differentiable simulation, foundation model for CFD.

F · Was dieser Tab nicht sieht

• Nur YouTube. Keine Konferenz-Archive (NAFEMS, CDFAM vollständig), kein Vimeo, keine bezahlten Webinare.
• Titel sind Behauptungen. Außer dem Brandstetter-Interview (16.09., Auto-Untertitel) wurde für keine Zeile ein Transkript gelesen. Hier steht noch keine gemessene Zahl, sondern ein geordneter Lesestapel.
• Abrufzahlen sind ein Stand vom 17.09.2026 und wandern.
• Die Einordnung »Lager« ist ein Urteil des Hauses aus Titel und Kontext, nicht aus dem vollständigen Anhören.
• Kanal-vollständige Durchläufe fehlen: Brunton, SimScale und Ashton veröffentlichen laufend weiter.