RailMind
— Industrielle Randintelligenz
Gradientenfreies Online-Lernen für die industrielle Edge — keine Cloud, keine Trainingsdaten, Mikrosekunden-Reaktion. Angetrieben von einer neuartigen Architektur, die sich durch bioinspirierten Wettbewerb selbst organisiert.
Was ist RailMind?
RailMind ist eine gradientenfreie, gerätebasierte adaptive Engine. Sie eliminiert Cloud-Anbindung, Trainingsdaten und GPU-Hardware. Durch bioinspirierten Wettbewerb organisiert sie sich selbst, um Anomalien zu erkennen, Ausfälle vorherzusagen und sich kontinuierlich anzupassen — in 40,4 KB bei Mikrosekunden-Geschwindigkeit.
Kernprinzipien
Vier grundlegende Prinzipien treiben die Architektur von RailMind an.
Ressourcengetriebene Berechnung
Recheneinheiten verbrauchen Ressourcen, um aktiv zu bleiben. Einheiten werden unter Wettbewerbsdruck dynamisch reguliert — nur funktional relevante bestehen.
Metastabile Dynamik
Das System operiert unter spezifischen dissipativen Bedingungen, in denen Aktivität weder chaotisch noch statisch ist — bedeutungsvolle Strukturen bilden sich in diesem Regime spontan.
Mehrskalige Dynamik
Schnelle Aktivierung und langsame strukturelle Anpassung interagieren über Zeitskalen hinweg und erzeugen emergente Verhaltensweisen, die kein einzelner Mechanismus diktiert.
Kein Training erforderlich
RailMind lernt nicht aus gelabelten Datensätzen. Es organisiert sich durch bioinspirierten Wettbewerb selbst und unterscheidet sich damit grundlegend von Deep Learning.
Leistung
Pro-Schritt-Antwort auf Raspberry Pi 5 — Echtzeit-Edge-Inferenz
CWRU-Lagerfehlererkennung — domänenübergreifend validiert
Modellgröße — einsetzbar auf MCU-Klasse-Hardware
Kontrollierte Experimentläufe über mehrere Forschungslinien
Validiert an 10 Benchmark-Datensätzen aus 6 Signaldomänen — Vibration, Elektrochemie, Video, Satellit, Bewegung und Audio
Kein Pre-Training, keine gelabelten Daten, keine Gradientenberechnung
Live-Demo
Hunderte von Recheneinheiten navigieren eine 3D-Berechnungslandschaft. Farbe kodiert den Einheitenzustand. Einheiten konkurrieren, bilden vorübergehende Koalitionen und lösen sich auf — kohärente Berechnung durch kontinuierliche Selbstorganisation.
Anwendungen
Vorausschauende Wartung
Edge-PdM für rotierende Maschinen — validiert auf CWRU, Paderborn, PHM2022 und CASPER UR3e Roboter-Datensätzen
Struktur- & Infrastrukturüberwachung
Kontinuierliche Strukturgesundheitsüberwachung für Brücken und Bauwerke — validiert am Z24-Brücken-Datensatz
LLM & KI-Agenten-Erweiterung
Regime-bewusstes Zustandssubstrat für KI-Agenten — signifikant messbare Verbesserung von LLM-Relevanz und Antwortspezifität
Video, Audio & Bewegungserkennung
Validiert in Streaming-Video-Dekodierungspipelines, akustischer Szeneklassifikation und Aktivitätserkennung (bis K=18 Regimes)
Architektur
Eine mehrschichtige Architektur von Ressourcendynamik über konkurrierende Recheneinheiten bis zur Sprachmodell-Integration.
Wettbewerbslandschaft
| Fähigkeit | RailMind | Augury | Nanoprecise | BrainChip |
|---|---|---|---|---|
| On-Device-Lernen | Kontinuierlich | Cloud | Cloud | Fixiert nach Training |
| Speicherbedarf | 40,4 KB | Cloud | Cloud | ~1 MB ASIC |
| Gradientenfrei | ||||
| Selbstorganisierendes Routing | ||||
| Integrierte Drifterkennung | Extern | Extern | ||
| Multi-Domain validiert | 10 Datensätze, 6 Domänen | Nur Vibration | Nur Vibration | Generisch |
Bereit loszulegen?
Ob Investor, potenzieller Partner oder Ingenieur, der Edge-KI evaluiert — wir freuen uns auf Ihre Nachricht.
Kontakt aufnehmen