GEGENSTAND UNSERER FORSCHUNG
Datengetriebene Modelle und Experimente zur Vorhersage von Material- und Prozesseigenschaften

ZIEL
Wir nutzen Daten und Modelle, um Material- und Prozessverhalten prädiktiv zu beschreiben, Versuchsreihen effizient zu planen und autonome Experimente zu ermöglichen, in denen Synthese, Charakterisierung und Auswertung eng gekoppelt sind.

HIGHLIGHTS

DATENANALYSE UND MASCHINELLES LERNEN
Spektren, Bilddaten, Zeitreihen und mehrdimensionale Prozessdaten erfordern neue Auswerteansätze. Wir entwickeln Methoden, um aus solchen Daten robuste Merkmale zu extrahieren und Zusammenhänge zu Eigenschaften und Performance herzustellen – etwa durch neuronale Netze, Bayes’sche Modelle oder Clustering-Verfahren.

AUTONOME UND GEFÜHRTE EXPERIMENTE
In autonomen Experimenten schlagen Modelle die nächsten Parameterkombinationen vor, um ein Ziel – etwa maximale Leitfähigkeit oder minimale Degradation – möglichst effizient zu erreichen. Im NETZ werden entsprechende Konzepte in Synthese, Materialverarbeitung und Bauteilcharakterisierung erprobt und mit hochverfügbarer Messtechnik kombiniert.

DATENINFRASTRUKTUREN UND SCHNITTSTELLEN
Damit Daten aus unterschiedlichen Laboren und Projekten nutzbar werden, arbeiten wir an gemeinsamen Datenformaten, Schnittstellen und Workflows. Dies ermöglicht es, Daten aus NETZ-Linked-Facilities sowie aus Shared-Facilities wie ICAN gemeinsam auszuwerten und für Modellierung, Simulation und KI-Methoden zu nutzen.