Mit künstlicher Intelligenz zu neuen Werkstoffen

In einer Pilotarbeit hilft maschinelles Lernen bei der Entwicklung von Materialien etwa für die Wasserstoffspeicherung. Überblick über das Framework für aktives Lernen zur Entwicklung von Hochentropie-Legierungen. Das Framework kombiniert Modelle für maschinelles Lernen, auf der Dichtefunktionaltheorie basierende Berechnungen, thermodynamische Simulationen und experimentelles Feedback. Science 378 (2022) 6615. abo4940 - Künstliche Intelligenz eröffnet in der Entwicklung neuer Materialien neue Möglichkeiten. Vor allem bei der Suche nach Werkstoffen für Spezialanwendungen wie etwa Hochentropie-Legierungen, die mehrere Komponenten in etwa gleichen Anteilem enthalten, könnte maschinelles Lernen die Forschung unterstützen. Das demonstriert ein internationales Team unter Leitung des Max-Planck-Instituts für Eisenforschung bei der Suche nach Invar-Legierungen für die Speicherung von Wasserstoff, Ammoiak oder Erdgas.