Materialforschung Autonome Messinstrumente finden gezielt neue Materialien
Bis zu viermal schneller als bisher vermisst ein neuer Algorithmus Materialbibliotheken. Er basiert auf maschinellem Lernen.
Forschende sind mit Hochdruck auf der Suche nach neuen Materialien für zukünftige Technologien, von denen etwa die Energiewende abhängt – beispielsweise als Elektrokatalysatoren. Aufgrund ihrer vielseitigen Eigenschaften sind dafür vor allem solche Materialien interessant, die aus fünf oder mehr Elementen bestehen. Bei etwa 50 nutzbaren Elementen des Periodensystems ergibt sich eine schier unendliche Fülle möglicher Materialien. Felix Thelen vom Lehrstuhl Neue Materialien und Grenzflächen der Ruhr-Universität Bochum unter Leitung von Prof. Dr. Alfred Ludwig hat einen Algorithmus entwickelt, der die Materialkandidaten viermal schneller untersuchen kann als bisher. Das ermöglicht das Konzept des Active Learning, einem Teilgebiet des Maschinellen Lernens. Das Forschungsteam berichtet in der Zeitschrift Digital Discovery vom 19. September 2023.
Tage oder Wochen für die Messung einer Probe
Trotz hoch spezialisierter Methoden, mit denen eine Reihe von Materialien parallel auf einer einzigen Probe hergestellt und anschließend automatisiert gemessen werden können, zählt jede Minute bei deren Analyse – denn bis die Untersuchung einer Probe abgeschlossen ist, können Tage oder Wochen vergehen. Der neue Algorithmus lässt sich in vorhandene Messinstrumente einbinden und kann deren Effizienz um ein Vielfaches steigern.
Messinstrument sucht Messpunkte selbst
„Durch die Verwendung von Active Learning ist ein Messinstrument in der Lage, sich den nächsten Messpunkt auf einer Probe eigenständig auszusuchen, basierend auf den bereits vorhandenen Informationen über das Material“, erklärt Felix Thelen, Entwickler des autonomen Messprogramms. Punkt für Punkt wird dadurch ein mathematisches Modell über die gemessene Materialeigenschaft verfeinert, bis die Genauigkeit ausreichend ist. Dann kann die Messung beendet werden – und die Ergebnisse an den verbleibenden Messpunkten werden durch das erzeugte Modell vorhergesagt.
Am Beispiel von elektrischen Widerstandsmessungen an zehn untersuchten Materialbibliotheken konnte das Bochumer Forschungsteam die Funktionsweise des Algorithmus belegen. „Unsere eigentliche Arbeit beginnt hiermit gerade erst“, sagt Felix Thelen, „denn in der Materialforschung existieren weitaus aufwändigere Messverfahren als die Widerstandsmessung, die ebenfalls optimiert werden müssen.“ In Kooperation mit den Herstellern der Instrumente müssten nun Lösungen entwickelt werden, die die Integration solcher Active-Learning-Algorithmen ermöglichen.
