Newsportal - Ruhr-Universität Bochum
![Materialforscher](https://news.rub.de/sites/default/files/styles/nepo_teaser/public/2019_12_17_km_hammerschmidt-2.jpg?itok=dLzMBcHG)
Bochumer Team gewinnt zweiten Platz mit maschinellem Lernen
Mit ihrem Algorithmus zur Vorhersage von Materialeigenschaften haben Dr. Yury Lysogorskiy und Dr. Thomas Hammerschmidt vom Interdisciplinary Centre for Advanced Materials Simulation Icams der Ruhr-Universität Bochum (RUB) in einem internationalen Wettbewerb zu maschinellem Lernen den zweiten Platz belegt. Das Geheimnis ihres Erfolgs war die Kombination von Datenanalytik mit physikalischen Modellen und Informationen zu den chemischen Eigenschaften der Elemente, aus denen mögliche Materialien für Solarzellen und Touchscreens aufgebaut sind. Der Algorithmus aus Bochum sowie die erstplatzierte Lösung aus Yokohama, Japan, und die drittplatzierte aus London, Großbritannien, sind in der Zeitschrift NPJ Computational Materials vom 18. November 2019 erschienen.
Kristallstruktur von Materialien vorhersagen
Die eingesetzten Methoden wurden eigentlich entwickelt, um metallische Legierungen zu simulieren. Für den Wettbewerb passten die Forscher diese Methoden an, um die strukturelle Stabilität und die optischen Eigenschaften von transparenten Elektronenleitern vorherzusagen. „Diese Materialien, die zum Beispiel in Touchscreens verwendet werden, sind aus den Elementen Aluminium, Gallium, Indium und Sauerstoff aufgebaut“, erklärt Thomas Hammerschmidt. Durch Variation der Mengenverhältnisse lassen sich die Materialeigenschaften für die technologische Anwendung optimieren.
Prinzipielle Tauglichkeit prüfen
In diesem Wettbewerb, den das europäische Exzellenzzentrum Nomad und die Internetplattform für maschinelles Lernen Kaggle ausgerufen hatten, wurde ein Datensatz von Ergebnissen aus quantenmechanischen Rechnungen zur Verfügung gestellt. Ein zweiter Datensatz wurde zunächst geheim gehalten. Die Algorithmen sollten mit dem ersten Datensatz trainiert werden, um dann möglichst genau den zweiten Datensatz vorherzusagen. „In diesem Wettbewerb ging es um die Leistungsfähigkeit und Vergleichbarkeit von verschiedenen Lösungsansätzen“, so Thomas Hammerschmidt.
Ansatz zeigt sich als übertragbar
„Es gibt verschiedenste Ansätze für spezielle Vorhersagen von bestimmten Zusammensetzungen“, erklärt der Forscher. „Uns hat interessiert, wie übertragbar unser eigener Ansatz auf unterschiedliche Materialklassen und Aufgabenstellungen ist.“ In den Bochumer Ansatz flossen Ergebnisse der Vorarbeiten am Icams ein, insbesondere physikalisch motivierte Deskriptoren der lokalen atomaren Umgebungen von Atomen im Kristallgitter.
Die Ausrichtung des Wettbewerbs wurde unterstützt durch Mittel aus dem Programm Horizon 2020 der Europäischen Union (Förderkennzeichen 676580) und den Verein Molecular Simulations from First Principles sowie die Alexander-von-Humboldt-Stiftung.
Christopher Sutton, Luca M. Ghiringhelli, Takenori Yamamoto, Yury Lysogorskiy, Lars Blumenthal, Thomas Hammerschmidt, Jacek R. Golebiowski, Xiangyue Liu, Angelo Ziletti, Matthias Scheffler: Crowd-sourcing materials-science challenges with the NOMAD 2018 Kaggle competition, in: NPJ Computational Materials, 2019, DOI: 10.1038/s41524-019-0239-3
Dr. Thomas Hammerschmidt
Interdisciplinary Centre for Advanced Materials Simulation
Ruhr-Universität Bochum
Tel: +49 234 32 29375
E-Mail: thomas.hammerschmidt@rub.de
19. Dezember 2019
12.26 Uhr