Ziel des Vorhabens ist es, die Defizite von generativen KI-Modellen im Hinblick auf ihre Anwendbarkeit für industrielle Produktionsverfahren zu überwinden. Dazu stehen die Erforschung und Erprobung von robusten und zugleich flexiblen Lernmethoden im Vordergrund. Diese ermöglichen es, komplexe dynamische Systeme und physikalische Vorgänge sowohl hinreichend akkurat zu modellieren als auch intelligent und interpretierbar zu steuern. Der notwendige Ressourcenbedarf während des Trainings und der Bereitstellung resultierender KI-Lösungen soll durch dateneffiziente Algorithmen minimiert werden, um eine nachhaltige und umweltschonende Nutzung auf industrieller Skala zu gewährleisten. Um diese Ziele zu erreichen, werden Schwerpunkte auf eine skalierbare, synergetische Kopplung von Algorithmen und numerischen Simulationsverfahren sowie darauf aufbauende, resiliente und praxistaugliche RL-Verfahren zur Steuerungsoptimierung gelegt.