Machine Learning beschleunigt Simulation
Erforschung, Entwicklung und Herstellung neuer Materialien hängen entscheidend von schnellen und zugleich genauen Simulationsmethoden ab. Maschinelles Lernen wird es künftig ermöglichen, komplexe Materialsysteme rein virtuell zu entwickeln. Wie das funktioniert und welche Anwendungen davon profitieren, erklärt ein Forscher des Karlsruher Instituts für Technologie (KIT) gemeinsam mit Kollegen aus Göttingen und Toronto.
 Neuronale Netze ermöglichen präzise Materialsimulationen - 
bis hinunter auf die Ebene einzelner Atome.
Neuronale Netze ermöglichen präzise Materialsimulationen – bis hinunter auf die Ebene einzelner Atome.Bild: Pascal Friederich, Karlsruher Institut für Technologie

Erforschung, Entwicklung und Herstellung neuer Materialien hängen von schnellen und genauen Simulationsmethoden ab. Methoden der KI und des maschinellen Lernens können Materialsimulationen entscheidend voranbringen. „Schnellere Simulationssysteme ermöglichen es, größere und komplexere Materialsysteme rein virtuell zu entwickeln, sie bis auf die atomare Ebene hinunter zu verstehen und zu optimieren,“ erklärt Professor Pascal Friederich, Leiter der Forschungsgruppe AiMat – Artificial Intelligence for Materials Sciences am Institut für Theoretische Informatik (ITI) des KIT.

Hohe Präzision vom Atom bis zum Werkstoff

Algorithmen für maschinelles Lernen ermöglichen künstlicher Intelligenz, die eingegebenen Daten nicht nur zu verarbeiten, sondern in großen Datensätzen Muster und Korrelationen zu finden, sowie selbstständig Vorhersagen und Entscheidungen zu treffen. Bei Materialsimulationen kommt es darauf an, eine hohe Präzision über verschiedene Zeit- und Größenskalen – vom Atom bis zum Werkstoff – zu erreichen und zugleich die Rechenkosten zu begrenzen. Aktuelle Anwendungen sind z.B. kleine organische Moleküle und große Biomoleküle, strukturell ungeordnete feste, flüssige und gasförmige Materialien sowie komplexe kristalline Systeme.

Noch mehr Tempo mit hybriden Methoden

Um die Möglichkeiten der Materialsimulationen zukünftig noch zu erweitern, schlagen die Forschenden vor, hybride Methoden zu entwickeln: Diese verbinden Verfahren des maschinellen Lernens (ML) und der molekularen Mechanik (mm) miteinander. Solche hybriden Methoden könnten künftig z.B. die Simulation großer Biomoleküle oder enzymatischer Reaktion noch einmal deutlich beschleunigen.

Karlsruher Institut für Technologie

Anzeige

Das könnte Sie auch Interessieren

Weitere Beiträge

DIN und DKE: Gemeinsam KI-Kräfte bündeln

DIN und DKE gründen den Gemeinschaftsausschuss Künstliche Intelligenz, um ihre Aktivitäten und Normungsstrukturen in diesem Bereich weiterzuentwickeln und das gemeinsame Engagement in der Normung und Standardisierung rund um das Thema KI zu vertiefen.

mehr lesen
Bild: Verein Deutscher Werkzeugmaschinenfabriken e.V.
Bild: Verein Deutscher Werkzeugmaschinenfabriken e.V.
KI für KMU

KI für KMU

Die Erwartungen an KI sind zwar hoch, dennoch ist sie in der Produktion noch wenig im Einsatz – insbesondere im Mittelstand. Unklarheit besteht etwa in Hinsicht auf den wirtschaftlichen Nutzen, auf die Anwendbarkeit in der eigenen Fertigung oder bei der Datenerfassung. Das ist das Ergebnis einer Umfrage, die das Projekt IIP-Ecosphere mit Unterstützung des VDW durchgeführt hat.

mehr lesen
Bild: ©Blue Planet Studio/stock.adobe.com / Acatech - Dt. Akademie der Technikwissenschaften
Bild: ©Blue Planet Studio/stock.adobe.com / Acatech - Dt. Akademie der Technikwissenschaften
Potenzial von 
KI im Mittelstand

Potenzial von KI im Mittelstand

Der Forschungsbeirat der Plattform Industrie 4.0 untersucht in seiner neuen
Expertise ‚KI zur Umsetzung von Industrie 4.0 im Mittelstand‘ den Einsatz und die unternehmerischen Potenziale von KI-Lösungen. Sie zeigt grundlegende
Vorgehensweisen bei der Durchführung von KI-Vorhaben auf und liefert Anwendungsbeispiele aus der industriellen Praxis.

mehr lesen

DKE veröffentlicht neues Whitepaper

KI-Systeme können beim Energiemanagement, in Verteilnetzen, bei Energie-Erzeugern und Endverbrauchern die Effizienz steigern, die Resilienz erhöhen und die Versorgungssicherheit optimieren.

mehr lesen

Anzeige

Anzeige

Anzeige