Data-Driven Materials Design
In diesem Teilprojekt wird das Ziel verfolgt, die umfangreichen Daten zur Mikrostruktur und den Eigenschaften von Werkstoffen durch Methoden der Datenaufbereitung und künstlicher Intelligenz miteinander zu verknüpfen. Auf dieser Grundlage sollen Mikrostruktur-Eigenschafts-Beziehungen abgeleitet werden, die neue, bislang unbekannte Zusammenhänge aufdecken und die Entwicklung völlig neuer Werkstoffe ermöglichen. Diese Werkstoffe können entweder neue Eigenschaften aufweisen oder bei gleichen Eigenschaften einen wesentlich einfacheren Aufbau haben, etwa durch die Verwendung weniger kritischer Elemente. So können neue Materialien für Bereiche wie Zirkularität, Nachhaltigkeit und innovative Anwendungen identifiziert werden.
Die Arbeitsgruppe beschäftigt sich mit folgenden Themen:
- Maschinelles Lernen zur Vorhersage von Materialeigenschaften: Hier wird maschinelles Lernen eingesetzt, um mikromechanische und makroskopische Materialeigenschaften anhand mikrostruktureller Daten vorherzusagen.
- Inverse Modelle: Das Ziel ist, mithilfe von maschinellem Lernen die benötigte Mikrostruktur zu identifizieren, die zu verbesserten Eigenschaften führt.
- KI-gestützte Mikroskopie: Eng verknüpft mit der Core Facility der Fachrichtung, beschäftigt sich die Arbeitsgruppe mit maschinellem Lernen zur Mikrostruktur-Quantifizierung in Low-Data-Regimes, der synthetischen Datenerzeugung und dem Einsatz von generativer KI in der Mikroskopie.
- Datenaufbereitung und Verknüpfung: Die Arbeitsgruppe entwickelt Verfahren zur Aufbereitung und Verknüpfung multimodaler, heterogener Datenquellen, um so die Informationsdichte und -qualität zu steigern.
Kontakt
Assoziierter Lehrstuhl
Circular Saar
Gefördert vom Ministerium der Finanzen und für Wissenschaft des Saarlandes aus Mitteln des saarländischen Transformationsfonds.
Circular Saar
Gefördert vom Ministerium der Finanzen und für Wissenschaft des Saarlandes aus Mitteln des saarländischen Transformationsfonds.