Ein Blick in die Sputteranlage, in der nanostrukturierte Schichten hergestellt werden. © Lars Banko

Materialforschung Künstliche Intelligenz findet das optimale Werkstoffrezept

Ein Algorithmus ersetzt zahllose zeitfressende Experimente.

Die möglichen Eigenschaften nanostrukturierter Schichten sind zahllos – wie aber ohne langes Experimentieren die optimale finden? Ein Team der Materialforschung der RUB hat eine Abkürzung ausprobiert: Mit einem Machine-Learning-Algorithmus konnten die Forscher die strukturellen Eigenschaften einer solchen Schicht zuverlässig vorhersagen. Sie berichten in der neuen Fachzeitschrift „Communications Materials“ vom 26. März 2020.

Porös oder dicht, Säulen oder Fasern

Bei der Herstellung von dünnen Schichten bestimmen zahlreiche Stellgrößen die Beschaffenheit der Oberfläche und somit ihre Eigenschaften. Nicht nur die Zusammensetzung der Schicht, auch die Prozessbedingungen bei ihrer Entstehung spielen eine Rolle, etwa die Temperatur. All das zusammen lässt bei der Beschichtung eine poröse oder dichte Schicht entstehen, sorgt dafür, dass die Atome sich zu Säulen oder Fasern zusammenlagern. „Um für eine Anwendung die optimalen Parameter zu finden, musste man bisher zahllose Experimente mit verschiedenen Bedingungen und Zusammensetzungen durchführen, das ist unglaublich komplex“, erklärt Prof. Dr. Alfred Ludwig, Leiter des Teams Materials Discovery and Interfaces.

Algorithmus sagt Oberflächen voraus

Um den Weg zum optimalen Material abzukürzen, setzte das Team auf künstliche Intelligenz, genauer maschinelles Lernen. Doktorand Lars Banko wandelte dafür in Zusammenarbeit mit Kolleginnen und Kollegen des Interdisciplinary Centre for Advanced Materials Simulation der RUB, kurz Icams, ein sogenanntes generatives Modell ab. Dann trainierte er diesen Algorithmus darauf, Bilder der Oberfläche einer sehr gut untersuchten Modellschicht aus Aluminium, Chrom und Stickstoff anhand bestimmter Prozessparameter zu generieren und somit vorherzusagen, wie die Schicht bei diesen entsprechenden Bedingungen jeweils aussehen würde.

„Wir haben dem Algorithmus eine ausreichende Anzahl experimenteller Daten zum Training vorgegeben“, erklärt Lars Banko, „aber nicht alle bekannten Daten.“ So konnten die Forscher die Ergebnisse der Berechnungen mit denen von Experimenten vergleichen und untersuchen, wie zuverlässig die Vorhersage des Algorithmus war. Die Ergebnisse waren überzeugend: „Wir haben parallel fünf Parameter kombiniert und konnten mit dem Algorithmus in fünf Richtungen gleichzeitig schauen, ohne Experimente machen zu müssen“, beschreibt Alfred Ludwig.

Veröffentlicht

Donnerstag
26. März 2020
13:04 Uhr

Teilen