Adaptives Materialdesign

Adaptives Materialdesign in der Materialwissenschaft beinhaltet die Selektion von zu testenden Materialien anhand intelligenter Kriterien.[1][2][3] Damit steht adaptives Materialdesign im Gegensatz zur Methode des Hochdurchsatz-Screenings, welche die automatisierte Durchmusterung einer großen Zahl von Proben zur Identifizierung von Proben mit gewünschten Eigenschaften beinhaltet.

Funktionsweise

Beim Adaptiven Materialdesign handelt es sich um eine von Künstlicher Intelligenz (KI) gestützte Methode der Materialinformatik.[1] Dabei wird versucht, ein Material mit bestimmten Materialeigenschaften zu entwickeln. Es wird ein KI-Modell trainiert, welches die Materialeigenschaften der Materialien, die untersucht werden sollen, vorhersagt. Auf dieser Basis werden diejenigen Material für experimentelle Validierungen identifiziert, die mutmaßlich die gewünschten Eigenschaften aufweisen. Um zu bestimmen, welche Materialien in dieser Hinsicht am erfolgversprechenden sind, werden in der Regel die Metriken der erwarteten Verbesserungen und der Unsicherheiten des KI-Modells verwendet. Nach dem Experiment werden die Ergebnisse wieder in das KI-Modell zurückgegeben, es neu trainiert und das nächste Material wird ausgewählt. Diese Feedback-Schleife wird so lange wiederholt, bis die angestrebte Materialeigenschaft erreicht ist.

Dieses Verfahren wird besonders häufig mit KI-Ansätzen verwendet, die durch die einzelnen Experimente besonders stark beeinflusst werden, wie die Bayes’sche Optimierung.[4]

Einzelnachweise

  1. ↑ a b Dezhen Xue, Prasanna V. Balachandran, John Hogden, James Theiler, Deqing Xue: Accelerated search for materials with targeted properties by adaptive design. In: Nature Communications. Band 7, Nr. 1, September 2016, S. 11241, doi:10.1038/ncomms11241, PMID 27079901, PMC 4835535 (freier Volltext).
  2. ↑ Turab Lookman, Prasanna V. Balachandran, Dezhen Xue, John Hogden, James Theiler: Statistical inference and adaptive design for materials discovery. In: Current Opinion in Solid State and Materials Science. Band 21, Nr. 3, Juni 2017, S. 121–128, doi:10.1016/j.cossms.2016.10.002.
  3. ↑ Turab Lookman, Prasanna V. Balachandran, Dezhen Xue, Ruihao Yuan: Active learning in materials science with emphasis on adaptive sampling using uncertainties for targeted design. In: npj Computational Materials. Band 5, Nr. 1, Dezember 2019, ISSN 2057-3960, S. 21, doi:10.1038/s41524-019-0153-8.
  4. ↑ Yuki K. Wakabayashi, Takuma Otsuka, Yoshiharu Krockenberger, Hiroshi Sawada, Yoshitaka Taniyasu: Machine-learning-assisted thin-film growth: Bayesian optimization in molecular beam epitaxy of SrRuO3 thin films. In: APL Materials. Band 7, Nr. 10, Oktober 2019, S. 101114, doi:10.1063/1.5123019.

Content Disclaimer

Informasi ini disarikan dari Wikipedia dan disajikan kembali untuk tujuan edukasi. Konten tersedia di bawah lisensi CC BY-SA 3.0. Kami tidak bertanggung jawab atas ketidakakuratan data yang bersumber dari kontribusi publik tersebut.

  1. The information displayed on this website is sourced in part or in whole from Wikipedia and has been adapted for the purpose of restating it. We strive to provide accurate and relevant information, however:
  2. There is no guarantee of absolute accuracy. Wikipedia is an open, collaborative project that can be edited by anyone, so information is subject to change.
  3. It is not intended to constitute professional advice. The content displayed is for informational and educational purposes only. For important decisions (e.g., medical, legal, or financial), please consult a professional.
  4. Content copyright. Wikipedia is licensed under the Creative Commons Attribution-ShareAlike License (CC BY-SA). This means that content may be reused with appropriate attribution and shared under a similar license.
  5. Responsible use. Any risk arising from the use of information from this website is entirely the responsibility of the user.