Suche nach neuen Materialien – Sichern der Wettbewerbsfähigkeit

© Fraunhofer IWM

In der Industrie besteht eine hohe Nachfrage beim Design neuer Materialien, getrieben durch erhöhte technische Anforderungen und veränderte wirtschaftliche und rechtliche Rahmenbedingungen. So müssen neue Materialien maßgeschneiderte physikalische Eigenschaften aufweisen und in der Herstellung kompatibel zu bestehenden Prozessen sein. Außerdem sollen sie auf günstigen Rohstoffen basieren und nur wenige oder idealerweise keine kritischen Elemente enthalten. Weiterhin soll die Abhängigkeit von schwankenden Rohstoffpreisen und Liefermonopolen verringert werden.

Fraunhofer IWM Videoserie: Atomistische Simulationsmethoden

Dr. Daniel Urban

Mit welcher Motivation werden atomistische Simulationen in der Materialentwicklung eingesetzt?

 

Wie können automatische Simulationsmethoden den Vorgang beschleunigen?

 

Virtuelles Testen von Materialeigenschaften mit Hochdurchsatz-Screening

 

Dem großen Interesse an der Entwicklung neuer Materialien stehen der hohe Zeit- und Kostenaufwand bei der experimentellen Synthese gegenüber. An diesem Punkt setzt das computergestützte Materialdesign mittels Hochdurchsatzverfahren (engl. High-Throughput-Screening, HTS) an. Neue Simulationssoftware und wachsende Rechnerkapazitäten ermöglichen die virtuelle Erzeugung einer Vielzahl von Strukturen und Zusammensetzungen und die Vorhersage ihrer Eigenschaften. In effizienter Weise können eine große Anzahl von Möglichkeiten ausprobiert und durchgespielt werden. Basis ist eine Datenbank in der die theoretischen Materialien abgelegt sind. Algorithmen zur Datenanalyse greifen darauf zurück und erlauben ein permanentes Anpassen und Verbessern der Suchrichtung. Die Materialien mit den vielversprechendsten Eigenschaften können dann in einem zweiten Schritt genauer untersucht und experimentell synthetisiert werden.

Hochdurchsatzverfahren eignen sich für eine große Bandbreite an Materialien. Am Fraunhofer IWM werden Screeningmethoden beispielsweise bei der Suche nach neuen Hartmagneten eingesetzt, die nur geringe Mengen oder keine Seltenerdmetalle enthalten sollen. Andere Materialsysteme, die untersucht werden, sind elektrisch leitfähige und korrosionsfeste Materialien für Brennstoffzellen sowie Materialien für Batterietechnologien.

nach oben

Analyse großer Datenmengen mit Machine Learning und Data Mining

 

Das Maschinelle Lernen bietet weitere Möglichkeiten, um virtuell neue attraktive Materialstrukturen aufzuspüren. Die durch systematische, physikalisch basierte Werkstoffsimulation entstehenden großen Datenmengen, untersuchen wir dazu mit Data-Mining-Algorithmen. So erschließen wir in der ständig wachsenden IWM-Materialbibliothek wertvolle Zusammenhänge zwischen Kristallstrukturen (input) und Eigenschaften (output). Dieses Wissen wird genutzt, um generelle Trends aufzudecken und um neuartige Kristallstrukturen mit vielversprechenden Eigenschaften zu finden.
Mit der Kombination von physikalischen (Hochdurchsatz-Screening) und statistischen Methoden (Maschinelles Lernen, Data Mining), verfügen wir über eine umfassende Kompetenzbasis in der Materialinformatik und können das Auffinden von gewünschten Struktur-Eigenschafts-Beziehungen bzw. das Design von Materialien zielgerichtet und wirtschaftlich betreiben.

Die am Fraunhofer IWM entwickelte Web-Anwendung MagnetPredictor demonstriert den Nutzen von modernen Machine Learning Methoden für die Vorhersage der magnetischen Eigenschaften von (virtuellen) intermetallischen Verbindungen mit beliebigen chemischen Zusammensetzungen.

Mehr Informationen

nach oben

Weiterführende Informationen 

Publikationen

 

  • Guillon, O.; Elsässer, C.; Gutfleisch, O.; Janek, J.; Korte-Kerzel, S.; Raabe, D.; Volkert, C.A., Manipulation of matter by electric and magnetic fields: Toward novel synthesis and processing routes of inorganic materials, materialstoday 21/5 (2018) 527-53 Link
  • Körner, W.; Krugel, G.; Urban, D.F.; Elsässer, C., Screening of rare-earth-lean intermetallic 1-11 and 1-11-X compounds of YNi9In2-type for hard-magnetic applications, Scripta Materialia 154 (2018) 295-299 Link
  • Möller, J.; Körner, W.; Krugel, G.; Urban, D.F.; Elsässer, C., Compositional optimization of hard-magnetic phases with machine-learning models, Acta Materialia 153 (2018) 53-61 Link

nach oben