Die Entdeckung neuer Materialien hängt noch viel zu sehr von Zufällen ab, sind Forscher der Ruhr-Universität Bochum überzeugt. Mit Hilfe von Datenbanken und Künstlicher Intelligenz soll dies künftig zielgerichteter und schneller vonstattengehen.
Der Aufbau von Materialbibliotheken und deren Analyse mit Künstlicher Intelligenz sind für Alfred Ludwig entscheidende Schritte, um zu einem inversen Materialdesign zu gelangen.
RUB / Marquard
Alfred Ludwig hat kürzlich seinen Lehrstuhl an der Ruhr-Universität Bochum (RUB) in "Materials Discovery and Interfaces" umbenannt. Mit dem neuen Namen will er zum Ausdruck bringen, dass die Entdeckung neuer Materialien jetzt die Hauptaufgabe sein soll. Den Materialforscher treibt um, dass die Menge an potenziellen neuen Materialien, die sich aus den Elementen des Periodensystems zusammensetzen lassen, unüberschaubar groß ist – auch dann, wenn man sich auf die 40 bis 50 Elemente beschränke, die ungiftig, umweltfreundlich und in ausreichender Menge auf der Erde vorhanden sind.
Neue Materialien sind der Schlüssel für neue Lösungen. Sie werden in neuen Katalysatoren benötigt, um die Herausforderungen der Energiewende zu meistern. Über eine neue Katalysatorklasse für die Energieumwandlung auf Basis von Hochentropie-Legierungen haben Wissenschaftler um Ludwig zusammen mit Wissenschaftlern des Düsseldorfer Max-Planck-Instituts für Eisenforschung (MPIE) erst kürzlich in einer Zeitschrift der American Chemical Society (ACS) berichtet. Neue Materialien ermöglichen die Entwicklung besserer Permanentmagnete. Oder auch der anhaltende Megatrend der Miniaturisierung und Funktionsintegration gerate ohne neue multifunktionale Werkstoffe, wie etwa Formgedächtnislegierungen ins Stocken, skizziert der Materialwissenschaftler aktuelle Forschungs- und Entwicklungsschwerpunkte.
Die Geschwindigkeit, mit der neue Materialien identifiziert und als Werkstoffe entwickelt werden können, will Ludwig signifikant erhöhen. Wie das gehen könnte, beschreibt der Springer-Nature-Autor jetzt in der NPJ Computational Materials und zählt die Arbeitsschritte auf. Zunächst gelte es, eine Materialbibliothek aufzubauen: "Indem wir in unserem Labor ein Trägermaterial aus drei oder mehr verschiedenen Richtungen mit Atomen verschiedener Elemente beschichten, die sich je nach Ort auf dem Träger in unterschiedlichen Mengen vermischen, stellen wir sogenannte Dünnschicht-Materialbibliotheken her", erklärt er. Um diese Bibliotheken allerdings nutzbar zu machen, müsse man sie nicht nur im Hochdurchsatzverfahren herstellen, sondern die Eigenschaften der darin verzeichneten Materialien auch genauso effizient analysieren. Nur so lasse sich herausfinden, ob sich in einer Bibliothek an irgendeinem Punkt eine Materialzusammensetzung verbirgt, die für eine Anwendung interessante Eigenschaften hat.
Mit Künstlicher Intelligenz zum inversen Materialdesign
Also: "Um den gesamten Prozess der Entdeckung neuer Materialien zu beschleunigen, wäre es wünschenswert, dass nicht nur die Messungen, sondern auch die Analysen automatisiert stattfinden." Zumindest "teilautomatisiert" wünscht sich Ludwig die Ausführung der Analysen, um der enormen Menge zu erwartender Materialdaten Herr werden zu können. Denn nicht nur die Daten erfolgversprechender Elementzusammensetzungen, sondern auch aller anderen sollten dokumentiert werden. "Das dient dazu, dass maschinelles Lernen ermöglicht wird und künstliche Intelligenz die Wissenschaft bei der Suche nach neuen Materialien unterstützt", sagt Ludwig und prognostiziert, dass in etwa zehn Jahren "inverses Materialdesign" möglich sein werde: "Das heißt, man definiert die gewünschten Materialeigenschaften und hat dann Möglichkeiten, dieses Wunschmaterial direkt herzustellen."