Machine Learning beschleunigt Simulation

Erforschung, Entwicklung und Herstellung neuer Materialien hängen entscheidend von schnellen und zugleich genauen Simulationsmethoden ab. Maschinelles Lernen wird es künftig ermöglichen, komplexe Materialsysteme rein virtuell zu entwickeln. Wie das funktioniert und welche Anwendungen davon profitieren, erklärt ein Forscher des Karlsruher Instituts für Technologie (KIT) gemeinsam mit Kollegen aus Göttingen und Toronto.
 Neuronale Netze ermöglichen präzise Materialsimulationen - 
bis hinunter auf die Ebene einzelner Atome.
Neuronale Netze ermöglichen präzise Materialsimulationen – bis hinunter auf die Ebene einzelner Atome.Bild: Pascal Friederich, Karlsruher Institut für Technologie

Erforschung, Entwicklung und Herstellung neuer Materialien hängen von schnellen und genauen Simulationsmethoden ab. Methoden der KI und des maschinellen Lernens können Materialsimulationen entscheidend voranbringen. „Schnellere Simulationssysteme ermöglichen es, größere und komplexere Materialsysteme rein virtuell zu entwickeln, sie bis auf die atomare Ebene hinunter zu verstehen und zu optimieren,“ erklärt Professor Pascal Friederich, Leiter der Forschungsgruppe AiMat – Artificial Intelligence for Materials Sciences am Institut für Theoretische Informatik (ITI) des KIT.

Hohe Präzision vom Atom bis zum Werkstoff

Algorithmen für maschinelles Lernen ermöglichen künstlicher Intelligenz, die eingegebenen Daten nicht nur zu verarbeiten, sondern in großen Datensätzen Muster und Korrelationen zu finden, sowie selbstständig Vorhersagen und Entscheidungen zu treffen. Bei Materialsimulationen kommt es darauf an, eine hohe Präzision über verschiedene Zeit- und Größenskalen – vom Atom bis zum Werkstoff – zu erreichen und zugleich die Rechenkosten zu begrenzen. Aktuelle Anwendungen sind z.B. kleine organische Moleküle und große Biomoleküle, strukturell ungeordnete feste, flüssige und gasförmige Materialien sowie komplexe kristalline Systeme.

Noch mehr Tempo mit hybriden Methoden

Um die Möglichkeiten der Materialsimulationen zukünftig noch zu erweitern, schlagen die Forschenden vor, hybride Methoden zu entwickeln: Diese verbinden Verfahren des maschinellen Lernens (ML) und der molekularen Mechanik (mm) miteinander. Solche hybriden Methoden könnten künftig z.B. die Simulation großer Biomoleküle oder enzymatischer Reaktion noch einmal deutlich beschleunigen.

Karlsruher Institut für Technologie

Das könnte Sie auch Interessieren

Bild: AMA Fachverband für Sensorik und Messtechnik e.V.
Bild: AMA Fachverband für Sensorik und Messtechnik e.V.
Sensorik und Messtechnik: Umsatz und Auftragslage stabil

Sensorik und Messtechnik: Umsatz und Auftragslage stabil

Die Branche der Sensorik und Messtechnik verzeichnete bereits im ersten Quartal einen deutlichen Umsatzanstieg, im zweiten Quartal stabilisieren sich die Umsätze bei einem Plus von einem Prozent. Die Auftragseingänge der Branche bleiben stabil bei plus einem Prozent. Kurzarbeit war auch im zurückliegenden Quartal in der Sensorik und Messtechnik nicht mehr relevant.

Bild: TeDo Verlag GmbH
Bild: TeDo Verlag GmbH
„Stellschrauben neu justiert“

„Stellschrauben neu justiert“

In der Automatisierungstechnik ist viel in Bewegung. Einerseits halten neue Technologien Einzug, die den
Anbietern neue Geschäftsmodelle und den Anwendern neue Möglichkeiten versprechen. Andererseits sieht sich die Branche als tragende Säule der Fertigungsindustrie verschiedenen neuen Herausforderungen gegenüber.
Inmitten dieses Wandels hat sich im Hause Sigmatek ein Generationswechsel vollzogen. Das SPS-MAGAZIN
hat bei Geschäftsführer Alexander Melkus nachgehakt, wie sich die Verjüngungskur in der Chef-Etage auf die Strategie und die technologische Roadmap des Unternehmens auswirkt.