Fraunhofer-Institut für Werkstoffmechanik IWM
Die Bedeutung von maschinellem Lernen (ML) und künstlicher Intelligenz (KI) in der Materialwissenschaft und Fertigung nimmt rasch zu und verändert die Art und Weise, wie wir Herausforderungen in diesen Bereichen angehen. Während traditionelle Modellierungs- und Simulationstechniken nach wie vor eine tragende Säule der Materialforschung sind, bieten ML- und KI-Techniken ein erhebliches Potenzial, da sie eine umfassende Datenanalyse ermöglichen, um komplexe Zusammenhänge zwischen Materialzusammensetzung, Prozess, Struktur und Eigenschaften aufzudecken. Diese Fähigkeit ermöglicht präzisere Vorhersagen und Erkenntnisse und rationalisiert die Entwicklung von Materialien und Prozessen für spezifische Anwendungen.
ML und KI verbessern nicht nur unser Verständnis der Zusammenhänge zwischen Zusammensetzung, Prozess, Struktur und Eigenschaften, sondern revolutionieren auch die experimentelle Planung und Auswertung. Durch den Einsatz datengesteuerter Techniken ist es möglich, intelligentere Experimente zu entwerfen, die den Ressourcenverbrauch minimieren und gleichzeitig die Entdeckungsrate maximieren. Darüber hinaus ermöglichen ML und KI eine effiziente Kalibrierung von Materialmodellen anhand experimenteller Messungen und bieten damit neue Möglichkeiten für die automatisierte experimentelle Auswertung. Dies beschleunigt nicht nur den Forschungsprozess, sondern reduziert auch Kosten und Umweltbelastungen.
Generative KI, ein leistungsstarkes Werkzeug, erweitert diese Fähigkeiten noch weiter, indem sie innovative Ansätze für die Ideenfindung bei der Materialentdeckung und -entwicklung sowie bei der Materialherstellung mit beispielloser Effizienz einführt. Diese Modelle verbessern nicht nur die Innovationspipeline, sondern bieten auch kreative Lösungen für komplexe industrielle Herausforderungen und ermöglichen Durchbrüche in der Materialwissenschaft und Fertigung.
Mit diesen Technologien befähigen wir Unternehmen, eine neue Qualität in der Materialentwicklung zu realisieren und so Innovation und Nachhaltigkeit voranzutreiben.
Materialien und Prozessdesign
Die Zusammenhänge zwischen Zusammensetzung, Prozess, Struktur und Eigenschaften spielen eine entscheidende Rolle bei der Entwicklung widerstandsfähiger, leistungsstarker Materialien. Wir sind darauf spezialisiert, fortschrittliche Methoden des maschinellen Lernens und der Optimierung einzusetzen, um Materialien und Prozesse entlang dieser Kausalkette zu optimieren. Dabei nutzen wir die Nicht-Eindeutigkeit des Optimierungsproblems, um Sätze optimaler Materialmikrostrukturen für bestimmte Eigenschaften zu identifizieren und Fertigungsprozesse so zu steuern, dass diese effizient hergestellt werden können.
Unabhängig davon, ob Sie ein Unternehmen oder eine Forschungseinrichtung vertreten, suchen wir aktiv nach Kooperationspartnern, um unsere Methoden an Ihre spezifischen Anwendungsfälle anzupassen.
Große Sprachmodelle und Wissensgraphen
Große Sprachmodelle (LLMs) haben sich als disruptive Technologie etabliert und eine neue Ära der KI eingeläutet. Ähnlich wie semantische Technologien bieten auch LLMs Möglichkeiten zur Erreichung von Interoperabilität. Allerdings sind LLMs zwar äußerst praktisch und benutzerfreundlich, ihre interne Wissensrepräsentation bleibt jedoch für Menschen weitgehend unzugänglich. Diese mangelnde Transparenz schränkt die Fähigkeit ein, das System zu verstehen und zu optimieren.
Im Gegensatz dazu bieten Ontologien einen präzisen und strukturierten Rahmen für die Kodierung von Wissen. Sie ermöglichen klare und interpretierbare Darstellungen, bringen jedoch auch eigene Herausforderungen mit sich, darunter erheblicher Aufwand und begrenzte Automatisierungsmöglichkeiten. Infolgedessen kann die Anwendbarkeit von Ontologien durch den Aufwand für ihre Erstellung und Pflege eingeschränkt sein.
Um diese Einschränkungen zu überwinden, suchen Forscher weltweit, darunter auch unser Team, nach Möglichkeiten, die Stärken von LLMs und Ontologien zu kombinieren. Durch die Entwicklung neuer Techniken auf der Grundlage von Retrieval-Augmented Generation (RAG) wollen wir Systeme schaffen, die die Vorteile beider Ansätze nutzen. Unsere Arbeit zeigt, dass Ontologien keine Alternative zu LLMs sind, sondern vielmehr eine ergänzende und verbessernde Komponente, die robustere und anpassungsfähigere KI-Lösungen ermöglicht.