Infos für
Direkt zu
Fakultäten
Data-Driven Materials Design (TP5)
Die Entwicklung neuer Werkstoffe ist häufig zeitaufwendig und basiert auf aufwendigen Versuchsreihen. Gleichzeitig stehen heute große Mengen an Material- und Strukturdaten zur Verfügung, die bislang nur teilweise systematisch genutzt werden.
„Wir erforschen den Einsatz von Künstlicher Intelligenz zur Auswertung umfangreicher Material- und Strukturdaten, um die Entwicklung neuer Werkstoffe gezielt zu unterstützen. Auf dieser Grundlage lassen sich vielversprechende Materialoptionen früher erkennen – etwa solche mit vergleichbaren Eigenschaften, geringeren Kosten oder reduziertem Einsatz kritischer Rohstoffe. So können Entwicklungsprozesse effizienter und ressourcenschonender gestaltet werden.“
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.
Sprechen Sie uns an
… wenn Ihre Materialkosten durch teure oder kritische Zusätze steigen oder Materialentscheidungen abgesichert werden müssen. Wir nutzen KI-gestützte Auswertungen, um Ihre Hochleistungsalternativen ohne Abhängigkeit von knappen Rohstoffen zu identifizieren und Entscheidungsrisiken zu reduzieren.
Koordinator des Teilprojekts
Dr.-Ing. Martin Müller
martin.mueller1(at)uni-saarland.de
Telefon: +49 681 302 70548
Campus D3 3 | Raum 3.16 | 66123 Saarbrücken
Assoziierter Lehrstuhl
Lehrstuhl für Experimentelle Methodik der Werkstoffwissenschaften