Materialsimulation Es winkt die rein virtuelle Entwicklung von Materialsystemen

Redakteur: Peter Königsreuther

Je präziser und umfassender ein Materialsimulations-Tool arbeitet, desto besser wird die Prognose des wirklichen Materialverhaltens. Neuronalen Netzwerken könnte demnach die Zukunft gehören.

Firma zum Thema

Neuronale Netze bringen präzisere Materialsimulationen. Denn die Kombination aus maschinellem Lernen und molekularer Mechanik erfasst das Werkstoffverhalten dann bis in die atomare Ebene, sagen Forschende am KIT.
Neuronale Netze bringen präzisere Materialsimulationen. Denn die Kombination aus maschinellem Lernen und molekularer Mechanik erfasst das Werkstoffverhalten dann bis in die atomare Ebene, sagen Forschende am KIT.
(Bild: P. Friederich / KIT)

Digitalisierung und virtuelle Methoden halten auch in der Materialentwicklung und -forschung Einzug, stellen Experten am Karlsruher Institut für Technologie (KIT) fest. Am KIT ist man demnach davon überzeugt, dass Materialsimulationen mithilfe von Methoden der Künstlichen Intelligenz (KI) und des Maschinellen Lernens (ML) entscheidend vorangebracht werden können. Passende Algorithmen für ML ermöglichen es der KI, die eingegebenen Daten zu verarbeiten. In großen Datensätzen kann sie auch nach Mustern und Korrelationen suchen, erklärt man. Das System sei dann in der Lage zu lernen, um selbstständig Vorhersagen und Entscheidungen zu treffen.

Bei Materialsimulationen komme es nämlich darauf an, über verschiedene Zeit- und Größenskalen – vom Atom bis zum Werkstoff – besonders präzise zu arbeiten. Auch kann man so Rechenkosten sparen.

Materialien bis hinunter zum Atom verstehen

Um die Möglichkeiten der Materialsimulationen zukünftig noch zu erweitern und das Ganze zu beschleunigen, schlägt man deshalb vor, hybride Methoden zu entwickeln, die ML und Molekulare Mechanik (MM) miteinander kombinieren.

Die MM-Simulationen, heißt es, können die auf jedes einzelne Teilchen wirkenden Kräfte berechnen. So können sie die Bewegungsabläufe desselben vorhersagen. Die Ähnlichkeit der ML- und MM-Potenziale erlaube dabei die enge Integration mit variablen Übergangsbereichen. Hybride Methoden könnten dann die Simulation großer Biomoleküle oder enzymatischer Reaktion noch einmal deutlich beschleunigen, sagen die Experten. Das etwa helfe sowohl bei der Entwicklung neuer Gasspeicher als auch beim Medikamentendesign – um nur zwei Anwendungsmöglichkeiten zu nennen.

Mit diesem neuen hybriden Werkzeug könne man größere und komplexere Materialsysteme in Zukunft rein virtuell entwickeln – bis hinunter auf die atomare Ebene. In der Zeitschrift Nature haben die Forschenden kürzlich zum ersten Mal darüber berichtet.

(ID:47442836)