Team Datenbasiertes Materialdesign

Schwerpunkte der Arbeitsgruppe Datenbasiertes Materialdesign sind Strukturanalysen mit Großgeräten, die Entwicklung von Strukturmodellen mit Hilfe von Computersimulations- und Modellierungsmethoden sowie die Analyse chemischer Bindungen in oxidischen Strukturen und deren Einfluss auf die chemischen und physikalischen Eigenschaften von keramischen Werkstoffen. Durch die Anwendung von Methoden des maschinellen Lernens und des Deep Learning werden neue Verfahren zur Digitalisierung in der Materialforschung entwickelt und der Entwurf von digitalen Zwillingen für Brennstoffzellen, Gastrennmembranen, Festkörperbatterien und Wärmedämmschichten unterstützt.

Forschungsschwerpunkte

Strukturforschung mit Großgeräten
Methoden der Synchrotronstrahlung und Neutronenstreuung werden für Beugungs- und spektroskopische Experimente an Keramiken eingesetzt, um deren kristalline und möglicherweise auch amorphe Strukturen zu untersuchen, einschließlich tomographischer Analysen zur Entwicklung kompletter 3D-Modelle mit Großgeräten, z.B. an der ESRF (Grenoble), am DESY (Hamburg) oder am Forschungsreaktor FRM2 (München).

Forschungsdaten-Management
Im IEK-1 werden neue Methoden des Forschungsdatenmanagements eingeführt, um sowohl bestehende als auch neue Daten gemeinsam und effizient für die Entwicklung von digitalen Zwillingen nutzen zu können. In diesem Zusammenhang arbeitet das Team als Teil der Nationalen Forschungsdateninfrastruktur (NFDI), für das IEK-1 und das gesamte Forschungszentrum Jülich. NFDI unterstützt Forschende bei der vollständigen Erfassung, Analyse, Verarbeitung, Speicherung und Publikation von Forschungsdaten im Hinblick auf die rasch fortschreitende Digitalisierung in der Materialforschung und die damit verbundenen erhöhten Anforderungen.

Anwendung Künstlicher Intelligenz in der Materialforschung
Es wird neuer Code für maschinelles Lernen und Deep Learning in Python und Julia entwickelt, um die Virtualisierung der Struktur- und Materialanalyse und die Vorhersage von Materialeigenschaften zu ermöglichen, was schließlich zur Entwicklung von digitalen Zwillingen führen wird, um Entwicklungszeit und -kosten zukünftig zu verkürzen oder zu sparen. Diese Arbeiten werden in Zusammenarbeit mit Industriepartnern und mit Fachkollegen aus anderen Forschungszentren durchgeführt.

Topical Editor der internationalen Fachzeitschrift CRYSTALS. Aktueller Sonderband mit dem Titel "Applications of Machine Learning to the Study of Crystalline Materials": https://www.mdpi.com/journal/crystals/special_issues/machinelearning_crystals