Projekte

Im Projekt KI-Lectrolyte entstehen neue Ansätze zur Entwicklung leistungsfähiger und sicherer Elektrolyte für moderne Batterien. Durch die Verknüpfung experimenteller Daten mit Simulationen und KI-Methoden lassen sich vielversprechende Elektrolytformulierungen deutlich schneller identifizieren. Eine zentrale Datenbank bündelt Messdaten, Simulationsergebnisse und KI-basierte Vorhersagen zu Materialeigenschaften ermöglicht gezielte Analysen für unterschiedliche Batteriechemien und unterstützt so die datengetriebene Entwicklung neuer Elektrolyte. So entsteht ein digitales Werkzeug, das chemisches Wissen direkt in technologische Innovationen überführt. Fraunhofer SCAI bringt seine Expertise in KI-gestützter Materialforschung, Datenintegration und Modellierung in das Projekt ein.

Im Marie-Skłodowska-Curie-Doktorandennetzwerk PREDICTOR entstehen KI-gestützte Methoden zur schnellen und gezielten Entwicklung elektroaktiver Materialien für Redox-Flow-Batterien. Ziel ist es, durch die Verbindung von Simulation, automatisierter Synthese, experimentellen Hochdurchsatztests und intelligentem Datenmanagement vielversprechende Elektrolyte deutlich schneller zu identifizieren. Fraunhofer SCAI entwickelt dafür semantische Konzepte, Ontologien und KI-basierte Vorhersagemodelle, die die Vielzahl an Projektdaten verknüpfen und so gezieltes Materialdesign ermöglichen.

Im Projekt BASE soll der digitale Batteriepass entwickelt werden, den jede größere Batterie in Zukunft besitzen muss. Der Pass wird kontinuierlich erhobene Daten zum »State of Health« enthalten und außerdem Informationen zur Lieferkette, zum Herstellungsprozess und zu Materialdaten. Hierbei kommt die Methode des »Mass Balancing« zum Einsatz, die den Materialeinsatz in der Batterieproduktion detailliert bilanziert und besonderes Augenmerk auf die Verwendung nachhaltiger Bestandteile legt. Die Daten aus dem Batteriepass werden fälschungssicher dezentral gespeichert, sodass alle Beteiligten darauf Zugriff haben. Dies ermöglicht, die Lebensdauer eine Batterie zu optimieren und das Recycling zu verbessern.

Im Projekt ESPINN entstehen neue Simulationsverfahren für die Halbleiterindustrie, die physikalische Gesetzmäßigkeiten mit Methoden der Künstlichen Intelligenz verbinden. Physics-Informed Neural Networks (PINNs) ermöglichen es, komplexe Prozesse wie chemische Reaktionen oder Materialdiffusion bis zu tausendfach schneller zu berechnen als bisher. Vier Softwarelösungen bilden die Grundlage dafür: sie simulieren atomare Wechselwirkungen, optimieren die Herstellung von Metallkontakten, unterstützen die Belichtung von Bauteilen und prüfen zugleich die Zuverlässigkeit und Nachvollziehbarkeit der Ergebnisse. Fraunhofer SCAI bringt umfassende Expertise in physikbasierten Simulationen, maschinellem Lernen und virtuellem Materialdesign ein.

Eine nachhaltige Kreislaufwirtschaft ist unerlässlich, um das Ziel der Klimaneutralität zu erreichen. Hierfür ist insbesondere die Entwicklung neuer innovativer Baustoffe entscheidend. Allerdings ist diese Entwicklung bisher ein sehr mühsamer und langwieriger Prozess. Um diesen Prozess zu unterstützen und deutlich zu beschleunigen, forschen die Experten des Fraunhofer Institut IBP und des Fraunhofer Institut SCAI am Forschungszentrum für Maschinelles Lernen an neuen datengetriebenen virtuellen Techniken zum Materialdesign.

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.

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.

Das Projekt zielt darauf ab, einerseits die vielschichtigen Prozesse in Flow Batterien in ihrer Gesamtheit digital zu erfassen; andererseits geht es darum, die Identifizierung neuer, geeigneter Stoffe zu beschleunigen und das Design eines Batteriesystems an konkrete Gegebenheiten zu optimieren. Um das Suchgebiet für neue Stoffe so sinnvoll wie möglich, aber nur so groß wie nötig zu halten, und dann noch den Durchsatz bei der Materialsuche zu erhöhen, nutzt Fraunhofer SCAI mathematische Modelle. Für eine maximale Zuverlässigkeit werden die Resultate kontinuierlich mit simulierten und experimentellen Referenz-Daten abgeglichen.

Wachstum und Bearbeitung von Werkstoffen sind ein integraler Bestandteil des chemischen und elektronischen Engineerings. Da diese Industriezweige dabei sind, nanotechnologische Entwicklungen einzuführen, sind die entsprechenden Prozesse auf eine Präzision auf atomarer Skala angewiesen, die durch eine experimentelle Herangehensweise nur sehr schwierig und aufwändig zu erreichen ist. Das neu entwickelte Werkzeug wird es ermöglichen, Mechanismen auf atomarer Skala unter verschiedenen Prozessbedingungen zu simulieren und so wertvolle Erkenntnisse für die Prozessoptimierung zu liefern, welche die Kosten für die Entwicklung neuer Werkstoffe reduzieren.

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.