q&more
Meine Merkliste
my.chemie.de  
Login  

News

Künstliche Intelligenz findet das optimale Werkstoffrezept

Ein Algorithmus ersetzt zahllose zeitfressende Experimente

© Lars Banko

Ein Blick in die Sputteranlage, in der nanostrukturierte Schichten hergestellt werden.

30.03.2020: Die möglichen Eigenschaften nanostrukturierter Schichten sind zahllos – wie aber ohne langes Experimentieren die optimale finden? Ein Team der Materialforschung der Ruhr-Universität Bochum (RUB) hat eine Abkürzung ausprobiert: Mit einem Machine-Learning-Algorithmus konnten die Forscher die strukturellen Eigenschaften einer solchen Schicht zuverlässig vorhersagen.

Porös oder dicht, Säulen oder Fasern

Bei der Herstellung von dünnen Schichten bestimmen zahlreiche Stellgrößen die Beschaffenheit der Oberfläche und somit ihre Eigenschaften. Nicht nur die Zusammensetzung der Schicht, auch die Prozessbedingungen bei ihrer Entstehung spielen eine Rolle, etwa die Temperatur. All das zusammen lässt bei der Beschichtung eine poröse oder dichte Schicht entstehen, sorgt dafür, dass die Atome sich zu Säulen oder Fasern zusammenlagern. „Um für eine Anwendung die optimalen Parameter zu finden, musste man bisher zahllose Experimente mit verschiedenen Bedingungen und Zusammensetzungen durchführen, das ist unglaublich komplex“, erklärt Prof. Dr. Alfred Ludwig, Leiter des Teams Materials Discovery and Interfaces.

Die Ergebnisse solcher Experimente sind sogenannte Strukturzonendiagramme, aus denen man die aus bestimmten Prozessparametern resultierende Oberfläche einer bestimmten Zusammensetzung ablesen kann. „Erfahrene Wissenschaftlerinnen und Wissenschaftler können dann in so einem Diagramm die für eine Anwendung am besten geeignete Stelle erkennen und die entsprechenden Parameter für die Herstellung der passenden Schicht ableiten“, erklärt Ludwig. „Das alles ist ein enormer Aufwand und kostet sehr viel Zeit.“

Algorithmus sagt Oberflächen voraus

Um den Weg zum optimalen Material abzukürzen, setzte das Team auf künstliche Intelligenz, genauer maschinelles Lernen. Doktorand Lars Banko wandelte dafür in Zusammenarbeit mit Kollegen des Interdisciplinary Centre for Advanced Materials Simulation der RUB, kurz Icams, ein sogenanntes generatives Modell ab. Dann trainierte er diesen Algorithmus darauf, Bilder der Oberfläche einer sehr gut untersuchten Modellschicht aus Aluminium, Chrom und Stickstoff anhand bestimmter Prozessparameter zu generieren und somit vorherzusagen, wie die Schicht bei diesen entsprechenden Bedingungen jeweils aussehen würde.

„Wir haben dem Algorithmus eine ausreichende Anzahl experimenteller Daten zum Training vorgegeben“, erklärt Lars Banko, „aber nicht alle bekannten Daten.“ So konnten die Forscher die Ergebnisse der Berechnungen mit denen von Experimenten vergleichen und untersuchen, wie zuverlässig die Vorhersage des Algorithmus war. Die Ergebnisse waren überzeugend: „Wir haben parallel fünf Parameter kombiniert und konnten mit dem Algorithmus in fünf Richtungen gleichzeitig schauen, ohne Experimente machen zu müssen“, beschreibt Alfred Ludwig. „Damit haben wir gezeigt, dass sich die Methoden des maschinellen Lernens auf die Materialforschung übertragen lassen und helfen können, neue Materialien zielgerichteter entwickeln zu können.“

Originalveröffentlichung:
Lars Banko, Yury Lysogorskiy, Dario Grochla, Dennis Naujoks, Ralf Drautz, Alfred Ludwig; "Predicting structure zone diagrams for thin film synthesis by generative machine learning"; Communications Materials; 2020

Fakten, Hintergründe, Dossiers

  • Materialforschung
  • Machine Learning
  • künstliche Intelligenz
  • Vorhersagemodelle

Mehr über Ruhr-Universität Bochum

  • News

    Tanz von drei Wassermolekülen beobachtet

    Wasser sieht zwar wie eine einfache Flüssigkeit aus, ist aber alles andere als leicht zu analysieren. Doch nur wenn man das Zusammenspiel der Moleküle versteht, sind die besonderen Eigenschaften von Wasser zu erklären. Neue Erkenntnisse zu den Eigenschaften von Wasser hat ein internationale ... mehr

    Iodidsalze machen Biokatalysatoren für Brennstoffzellen stabil

    Sauerstoff ist der größte Feind von Biokatalysatoren für die Energieumwandlung. Ein Schutzfilm schirmt sie ab – aber nur mit einer weiteren Zutat: Iodidsalz. Entgegen theoretischen Vorhersagen inaktiviert Sauerstoff Biokatalysatoren für die Energieumwandlung auch unter einem Schutzfilm binn ... mehr

    Proteine in ihrer natürlichen Umgebung beobachten

    Proteine können dafür verantwortlich sein, dass Wirkstoffe von Medikamenten aus den Zielzellen einfach wieder herausgeschleust werden. Dabei kann man ihnen jetzt zuschauen. Bestimme Medikamente, zum Beispiel gegen Krebserkrankungen, verlieren ihre Wirkung, weil Proteine in der Membran der Z ... mehr

  • q&more Artikel

    Mit Licht und Strom dem Schicksal einzelner Nanopartikel auf der Spur

    Die Kombination aus Dunkelfeldmikroskopie und Elektrochemie macht einzelne Nanopartikel in flüssigem Medium sichtbar. Hiermit kann die Aktivität von Katalysatoren während ihrer Anwendung ermittelt werden. mehr

    Vibrationsspektroskopie - Labelfreies Imaging

    Spektroskopische Methoden erlauben heute mit bisher unerreichter räumlicher und zeitlicher Auflösung tiefe Einblicke in die Funktionsweise biologischer Systeme. Neben der bereits sehr gut etablierten Fluoreszenzspektroskopie wird in den letzten Jahren das große Potenzial der labelfreien Vib ... mehr

  • Autoren

    Kevin Wonner

    Kevin Wonner, Jahrgang 1995, studierte Chemie mit dem Schwerpunkt der elektrochemischen Untersuchung von Nanopartikeln an der Ruhr-Universität Bochum und ist seit 2018 Doktorand am Lehrstuhl für Analytische Chemie II von Prof. Dr. Kristina Tschulik im Rahmen des Graduiertenkollegs 2376. Er ... mehr

    Mathies V. Evers

    Mathies Evers, Jahrgang 1989, studierte Chemie an der Ruhr-Universität Bochum, wo er an der Synthese atompräziser molekularer Cluster forschte. Nach seinem Masterabschluss begann er seine Doktorarbeit am Lehrstuhl für Analytische Chemie II von Prof. Dr. Kristina Tschulik und wird durch den ... mehr

    Prof. Dr. Kristina Tschulik

    Kristina Tschulik promovierte im Jahr 2012 an der TU Dresden und arbeitete als Postdoktorandin am Leibniz-Institut für Festkörper- und Werkstoffforschung Dresden sowie an der Universität Oxford. Danach baute sie gefördert durch ein NRW-Rückkehrprogramm die Arbeitsgruppe für „Elektrochemie u ... mehr

q&more – die Networking-Plattform für exzellente Qualität in Labor und Prozess

q&more verfolgt den Anspruch, aktuelle Forschung und innovative Lösungen sichtbar zu machen und den Wissensaustausch zu unterstützen. Im Fokus des breiten Themenspektrums stehen höchste Qualitätsansprüche in einem hochinnovativen Branchenumfeld. Als moderne Wissensplattform bietet q&more den Akteuren im Markt einzigartige Networking-Möglichkeiten. International renommierte Autoren repräsentieren den aktuellen Wissenstand. Die Originalbeiträge werden attraktiv in einem anspruchsvollen Umfeld präsentiert und deutsch und englisch publiziert. Die Inhalte zeigen neue Konzepte und unkonventionelle Lösungsansätze auf.

> mehr zu q&more

q&more wird unterstützt von:

 

Ihr Bowser ist nicht aktuell. Microsoft Internet Explorer 6.0 unterstützt einige Funktionen auf Chemie.DE nicht.