Materialbezogene Data Science und Autonome Experimente
Data Science und autonome Experimente für prädiktives Material- und Prozessdesign
Data Science und autonome Experimente für prädiktives Material- und Prozessdesign
Data Science und autonome Experimente für prädiktives Material- und Prozessdesign
Data Science und autonome Experimente für prädiktives Material- und Prozessdesign
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
- Maschinelles Lernen für die Auswertung komplexer Messdaten und Prozesssignale.
- Surrogat- und Reduktionsmodelle zur schnellen Vorhersage von Material- und Bauteileigenschaften.
- Closed-Loop-Ansätze und autonome Experimente mit direkter Rückkopplung zwischen Experiment und Modell.
- Aufbau von Dateninfrastrukturen nach FAIR-Prinzipien zur Nutzung über Projekte hinweg.
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.
Beteiligte Arbeitsgruppen
Prof. Doris Segets
Particle Science and Technology / Datengetriebene Partikelverfahren: Multivariate Analytik und modellgestützte Prozessführung in Partikelsystemen, inklusive Einsatz von Machine-Learning-Methoden zur Beschreibung und Optimierung von Partikelkollektiven.
Prof. Andreas Markus Kempf
Reaktive Strömungen und Simulation: Numerische Strömungs- und Reaktionssimulationen, Entwicklung reduzierter Modelle und datenbasierter Methoden für reaktive Strömungen und Partikelsysteme.
Prof. Thomas Kirchartz
Photovoltaik und datengetriebene Bauteilmodelle : Einsatz von Surrogatmodellen und ML-Methoden zur Parameteridentifikation und Verlustanalyse in Solarzellen und optoelektronischen Bauteilen.
Prof. Christof Schulz
Laserdiagnostik und Datenauswertung: Hochdimensionale Messdaten aus laserbasierten Diagnostiken, Entwicklung von Algorithmen zur Mustererkennung und Modellvalidierung.
Prof. Mustapha Fikri
Laserdiagnostik und Datenauswertung: Hochdimensionale Messdaten aus laserbasierten Diagnostiken, Entwicklung von Algorithmen zur Mustererkennung und Modellvalidierung.
Dr. Philipp Wagener
Laserdiagnostik und Datenauswertung: Hochdimensionale Messdaten aus laserbasierten Diagnostiken, Entwicklung von Algorithmen zur Mustererkennung und Modellvalidierung.
diverse ICAN-Arbeitsgruppen
Materialcharakterisierung und Bilddaten: Bild- und spektralbasierte Methoden, deren Daten in Data-Science-Workflows eingebunden werden und so mit Synthese- und Verarbeitungsschritten verknüpft sind.