Konzeption eines Frameworks zur Datenqualifikation für KI gestützte Simulationen

Wie lassen sich KI-Modelle für die Raumfahrt zuverlässig trainieren, wenn die zugrunde liegenden Daten aus extremen, technisch komplexen und nur bedingt vergleichbaren Umgebungen stammen? Genau dieser Fragestellung widmet sich die Masterarbeit von Marina Leonie Stiglmayr. Im Zentrum steht nicht die Entwicklung eines einzelnen KI-Modells, sondern die entscheidende Voraussetzung dafür: eine systematisch qualifizierte, harmonisierte und interoperable Datenbasis für digitale Zwillinge in der Mikrogravitationsforschung. Auf Grundlage einer PRISMA-orientierten Metaanalyse werden experimentelle Daten aus realer Mikrogravitation – etwa von der Internationalen Raumstation, aus Parabelflügen oder Drop-Tower-Experimenten – mit Ergebnissen bodengestützter Simulationen wie Clinostaten oder Random Positioning Machines verglichen. Dabei werden Datensätze nicht nur identifiziert, sondern nach klar definierten Qualitätskriterien bewertet, strukturiert und hinsichtlich ihrer Eignung für KI-gestützte Simulationen analysiert. Die Arbeit zeigt auf, in welchen Parametern sich reale und simulierte Mikrogravitation signifikant unterscheiden und welche Variablen für valide Digital-Twin-Anwendungen unverzichtbar sind. Das Ergebnis ist ein fundiertes Data-Qualification-Framework, ergänzt durch ein abgeleitetes Parameter-Core-Set sowie konkrete Empfehlungen zur Standardisierung zukünftiger Weltraumexperimente. Damit verbindet diese Arbeit Datenwissenschaft, methodische Strenge und Raumfahrtforschung zu einem strategisch relevanten Beitrag für die nächste Generation KI-gestützter Simulationen im All – und macht deutlich, dass Datenqualität der Schlüssel zur Zukunft der digitalen Raumfahrt ist.