Neue Materialien vorhersagen: Maschinelles Lernen als Werkzeug

Der Großteil der heute genutzten Materialien wurde mit chemischem Verständnis oder durch Zufall gefunden. Diese Prozesse sind nicht nur zeitintensiv, sie erfordern zudem oft Jahre an Verbesserungsarbeit. Dabei ist der Bedarf an Materialien für spezielle Anwendungen vielleicht so groß wie noch nie. Mögliche Alternativen zum Standardvorgehen sind Data-Mining und maschinelles Lernen.

Wie lassen sich Data-Mining und maschinelles Lernen für anorganische Materialien nutzen? Die Eigenschaften vieler Materialien sind untersucht und in Datenbanken zusammengestellt. Die Untersuchung bestimmter Eigenschaften ist oft wesentlich zeit- und arbeitsintensiver als die der Struktur, aber gerade für den Chemiker im Sinne der Struktur-Eigenschaftsbeziehungen besonders interessant.

Es gibt daher wesentlich mehr reine Strukturdaten als Daten zu entsprechenden Materialeigenschaften. Basierend auf den Arbeiten vergangener Jahrzehnte lassen sich heutzutage jedoch viele Materialeigenschaften mit Simulationen so gut vorhersagen, dass sich Materialien bereits im Vorhinein für bestimmte Anwendungen identifizieren oder ausschließen lassen. Eigenschaften etwa zur elektronischen Natur zu berechnen

Wissenschaft + Forschung