Projekte im Geschäftsfeld Virtual Material Design

Unsere Forschungs-, Entwicklungs- und Anwendungsprojekte betreffen folgende Bereiche:

  • Multiskalen-Modellierung und numerische Simulation in Materialwissenschaft, Chemie und Nanotechnologie.
  • Hochleistungsrechnen in Quantenmechanik, Molekulardynamik und Kontinuumsmechanik.

© Fraunhofer SCAI

MaGriDo – Mathematik für maschinelle Lernmethoden für Graph-basierte Daten mit integriertem Domänenwissen

Ziel des Verbundprojekts MaGriDo ist die Entwicklung von Methoden des maschinellen Lernens, die deutlich weniger Daten benötigen als bisher oder Vorhersagen treffen können, die konsistent zum vorhandenen Wissen sind.
Laufzeit: 04/2020 - 03/2023

Mehr Info

SONAR – Bessere Batterien für Strom aus erneuerbaren Energiequellen

Organische Redox-Flow-Batterien (RFBs) gelten als vielversprechender Ansatz für die Speicherung von temporären Überschüssen bei der Erzeugung von Energie aus erneuerbaren Energiequellen. Das Projekt SONAR zielt darauf ab, den vielschichtigen Entwicklungsprozess von RFBs in seiner Gesamtheit digital zu erfassen. Außerdem geht es darum, das Screening zur Identifizierung geeigneter Stoffe zu beschleunigen und das Design eines Batteriesystems an konkrete Gegebenheiten zu optimieren. Die Projektpartner entwickeln Werkzeuge und Arbeitsabläufe für die Untersuchung elektroaktiver Materialien. Sie kombinieren dazu Simulationsmethoden auf verschiedenen physikalischen Skalen – von der quantenmechanischen Ebene bis zum sichtbaren, makroskopischen Verhalten. Dabei fließen Faktoren wie Kosten, Lebensdauer und Leistung mit ein, um auch konkurrierende Energiespeichertechniken umfassend miteinander vergleichen zu können.
Laufzeit: 01/2020 - 12/2023

Mehr Info

Deep Learning für Virtual Material Design

Empirische Analysepotenziale und ab initio-Methoden wie die Dichtefunktionstheorie sind klassische Säulen der computergestützten Materialwissenschaft. Mit den Fortschritten im Bereich des maschinellen Lernens und der rasanten Zunahme der Rechenleistung werden datenbasierte Ansätze zu einem neuen Werkzeug, mit dem die Vorhersagekraft von ab initio-Methoden mit der rechnerische Effizienz von empirischen Potenzialen kombiniert werden können.

Standard-Techniken des maschinellen Lernens wie Kernel-Learning (z.B. für das Gaußsche Approximationspotenzial), tiefe neuronale Netze (z.B. neuronale Netzwerkpotenziale von Behler et al.) und verallgemeinerte lineare Modelle (z.B. für Impuls-Tensor-Potentiale) wurden verwendet, um aus Daten schnelle und genaue Kraftfelder zu entwickeln, ohne dass menschliches Wissen über die zugrunde liegende Chemie erforderlich war.

In diesem Projekt entwickeln wir qualitativ hochwertige, einfach zu handhabende Implementierungen solcher maschinellen Lernpotenziale und untersuchen Verbesserungsmöglichkeiten.

 

Human Brain Project

Im von der Europäischen Kommission geförderten Projekt »Human Brain Projekt« (HBP) arbeiten führende Forschungseinrichtungen daran, das menschliche Gehirn besser zu verstehen. Dazu entwickeln sie beispielsweise neue Simulationsverfahren auf Hochleistungsrechnern. Ziele sind die Entwicklung neuer Therapieansätze zur Behandlung von Erkrankungen des Gehirns sowie neue Verfahren im Hochleistungsrechnen.

Forscher des SCAI-Geschäftsfelds Virtual Material Design sind an einem Teilvorhaben des HBP beteiligt. Sie entwickeln unter anderem Software sowie numerische Algorithmen und Methoden, um neurowissenschaftliche Simulationen auf Hochleistungsrechnern zu nutzen. Sie bringen dabei ihr Know-how in der Multiskalensimulation und der numerischen Simulation in der Moleküldynamik ein

Mehr Info