Skip to main content
main-content

28.10.2021 | Werkstoffprüfung + Materialanalyse | Im Fokus | Onlineartikel

Künstliche Intelligenz analysiert Materialien und Stoffe

Autor:
Dieter Beste
5:30 Min. Lesedauer

Mit dem Maschinellen Lernen lassen sich bekanntlich Geheimnisse entdecken, die in großen Datenmengen verborgen sind. Immer häufiger rücken Anwendungen in Materialforschung, Werkstofftechnik und Chemie in den Mittelpunkt.

Der Materialforscher Dominik Britz hat an der Universität des Saarlandes und am Material Engineering Center Saarland (MECS) eine neue Methode zur Qualitätsprüfung von Stahl entwickelt, die weit zuverlässiger ist als bisherige Verfahren: Mit Hilfe Künstlicher Intelligenz (KI) erkennt sie den inneren Aufbau der Gefüge und klassifiziert Stahltypen bis zu 95 Prozent genau. Von den inneren Strukturen hängt ab, welche Eigenschaften der jeweilige Stahl hat. Die Deutsche Gesellschaft für Materialkunde DGM zeichnet ihn für diesen Forschungserfolg – die erstmalige Einführung des maschinellen Lernens in die vollautomatische Bildanalyse und Gefüge-Klassifizierung – kürzlich mit dem Georg-Sachs-Preis aus. "Die innere Struktur des Stahls ist auf der Mikro- und Nanoskala sehr individuell. Stahl hat viele Gesichter, die präzise wiedererkennbar sind", sagt Britz, der über seine Arbeit zusammen mit anderen in der Fachzeitschrift Nature berichtet hatte. 

Empfehlung der Redaktion

2022 | OriginalPaper | Buchkapitel

Machine Learning Studies in Materials Science

Materials science research begins in laboratories with testing the properties of metals and their alloys, the properties of the material depending on the type of additives and microstructure, as well as the changes in these properties taking place …

Computermodelle können mit der von Britz entwickelten Methode Mikroskopie-Aufnahmen der Stahlproben mit eindeutig klassifizierten Bilddaten vergleichen. Sie erkennen die komplexen Muster und die Geometrie der Mikrostruktur und ordnen sie Stahltypen zu. "Sie lernen auch hinzu und können Merkmale von zuvor klassifizierten Mikrostrukturen mit den Mustern abgleichen", sagt Britz. Gemeinsam mit Informatikern nutzt er das KI-Verfahren Maschinelles Lernen (ML). Mit einer Treffsicherheit von bis zu 95 Prozent kann das Verfahren aufwarten; das menschliche Auge schafft beim Vergleich von Mikroskopie-Aufnahmen mit Beispiel-Aufnahmen guter Qualität etwa 75 Prozent, heißt es in einer Mitteilung der Universität des Saarlandes.

Materialwissenschaftler und Werkstofftechniker haben alle Hände voll zu tun: Ihre Arbeit beginnt im Labor mit der Untersuchung der Eigenschaften von Materialien in Abhängigkeit von der Art der Zusätze und ihrer Mikrostruktur sowie der Veränderungen dieser Eigenschaften während der Verarbeitung – eine Sisyphusarbeit allein bei den Metallen und ihren Legierungen, wie die Arbeit von Dominik Britz veranschaulicht. Es folgt die Modellierung und Simulation von Werkstoffen im Produktionsprozess und schließlich die Qualitätskontrolle der Materialien im fertigen Bauteil. Das Buchkapitel "Machine Learning Studies in Materials Science" verschafft einen Überblick über die Anwendungsmöglichkeiten von Maschinellem Lernen im Bereich der Materialwissenschaften und diskutiert sie unter dem Aspekt der Formalisierung von Materialprozessen und Wissen.

Zunächst etwas zögerlich, trauen sich Materialforscher und Werkstofftechniker inzwischen immer häufiger, Künstliche Intelligenz anzuwenden. So startete in diesem Jahr an der Universität Augsburg ein KI-Produktionsnetzwerk, in dem Wissenschaftler auf mehreren tausend Quadratmetern und mit erheblichen Finanzmitteln ausgestattet Produktionstechniken mit KI-basierten Methoden kombinieren. Den Fokus richten sie auf generative Produktionsmethoden, werkstoffgerechtes Design, werkstoffadaptive Produktionsprozesse und -planung sowie prozessintegrierte Werkstoff- und Bauteilprüfung.

Wie ML Materialien zähmt

In dem neu gegründeten Spezialforschungsbereich Taco, kurz für TAming COmplexity in Materials Modeling, untersuchen Forscher von TU Wien und Uni Wien gemeinsam grundlegende Prozesse, die an komplexen Materialien ablaufen. Mehrkomponenten-Materialien und ihre Oberflächen und Grenzflächen sind etwa für die Umwandlung von Chemikalien und die Speicherung von Energie unerlässlich. Doch trotz jahrzehntelanger Forschung ist die Wissenschaft noch weit von einem mikroskopischen Verständnis entfernt; die vielen miteinander verwobenen Abhängigkeiten sind schier überwältigend und nur mühsam zu enträtseln. 

Im Forschungsbereich Taco wollen die beteiligten Wissenschaftler nun die Komplexität von Multi-Kationen-Oxiden mithilfe von Maschinellem Lernen verstehen – und "zähmen". So sind Oxide in der Erde reichlich vorhanden und gehören zu den vielversprechendsten Materialien in der Photo-, Elektro- und heterogenen Katalyse. Ihre physikalischen und chemischen Eigenschaften lassen sich leicht durch Dotierung, Freilegung verschiedener Oberflächenfacetten oder Veränderung der Umgebung verändern. "Unser Ziel ist es, mikroskopische Modelle für ihr Verhalten in der Masse und an der Oberfläche zu entwickeln – im Ultrahochvakuum, unter Gasdruck und in Kontakt mit wässrigen Lösungen. Langfristig werden wir Deskriptoren entwickeln, die leicht zu messen oder zu berechnen sind und mit der Haltbarkeit, der Selektivität und den katalytischen Umsatzraten korrelieren. Letztendlich soll dies die Optimierung von Materialien für technische Anwendungen ermöglichen", heißt es auf der Projektseite im Web.

Künstliche Intelligenz für Materialmodelle

Auch das Forschungsvorhaben Artificial Intelligence for Material Models (AIMM) will die klassische modellbasierte Werkstoffbeschreibung durch eine alternative, datengetriebene Materialmodellierung ergänzen und schließlich ersetzen. An dem vom Bundesministerium für Wirtschaft und Energie (BMWi) geförderte Forschungsprojekt sind neben dem Fraunhofer-Institut für Kurzzeitdynamik, Ernst-Mach-Institut (EMI) als Forschungspartner die Universität Stuttgart mit den beiden Instituten für Flugzeugbau und Umformtechnik sowie die Technische Universität Berlin mit ihrem Institut für Softwaretechnik und Theoretische Informatik beteiligt. Aufseiten der Industrie sind die Mercedes-Benz AG (Konsortialführer), die ElringKlinger AG, die DYNAmore GmbH, die Renumics GmbH und die GOM GmbH im Konsortium vertreten. Das EMI bringt Erfahrungen in der klassischen Materialcharakterisierung und -modellierung in das KI-Projekt ein, insbesondere bei hohen Dehnraten, wie sie im Anwendungsfall Automobilcrash auftreten. Darüber hinaus wird ein Schwerpunkt des Projekts darauf liegen, klassische Crash-Versuchstypen weiterzuentwickeln, um die für das Training der ML-Modelle notwendigen Daten experimentell effizient ermitteln zu können.

Mit Maschinellem Lernen zu neuen Naturstoffen

Geradezu als ein Paradefeld Maschinellen Lernens auf Basis großer Datenmengen erweist sich die Naturstoffchemie. Mehr als ein Drittel aller heute verfügbaren Medikamente basieren auf Naturstoffen, wie sie in zahlreichen Pflanzen, Bakterien und Pilzen vorkommen. Den reichhaltigen Medizinschrank der Natur nutzbar zu machen und neue Naturstoffe zu identifizieren, ist jedoch zeit-, kosten- und arbeitsintensiv. Ein Team der Bioinformatik an der Friedrich-Schiller-Universität Jena hat jetzt ein Verfahren entwickelt, mit dem sich kleine Wirkstoff-Moleküle sehr viel schneller und einfacher identifizieren lassen als bisher. Ihr Verfahren Cosmic (Confidence Of Small Molecule IdentifiCations) stellen sie in der aktuellen Ausgabe von Nature Biotechnology vor. 

Automatische Entschlüsselung von Strukturdaten

In Jena liegen riesige Datensammlungen mit Milliarden von Massenspektrometrie-Daten aus Millionen von Analysen biologischer Proben vor, wovon der weitaus größte Teil in ihrer Struktur nicht identifiziert sind. Genau hier kommt nun Cosmic zum Einsatz und ermöglicht es, für einen großen Teil dieser bisher unidentifizierten Moleküle automatisch Strukturen zu entschlüsseln. "Dabei nutzen wir Verfahren des maschinellen Lernens", erläutert Martin Hoffmann, der Erstautor der vorgelegten Publikation. "Zunächst wird das Massenspektrum der untersuchten Probe mit den verfügbaren Strukturdaten abgeglichen." Als Ergebnis erhält man – wie in einer Google-Suche – eine mehr oder weniger umfangreiche Liste möglicher Treffer. "Unsere Methode gibt nun an, wie sicher es ist, dass der gefundene Treffer an erster Stelle tatsächlich die Struktur ist, nach der wir suchen." 
 

Weiterführende Themen

Die Hintergründe zu diesem Inhalt

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Bildnachweise