Nanotechnologie trifft auf Machine Learning

Diese Forschung nutzt Deep Learning, um neue Materialien und Geräte zu entdecken – besonders im Bereich der erneuerbaren Energien und zunehmend auch für medizinische Anwendungen. Modelle sollen chemische und physikalische Gesetzmäßigkeiten erlernen, um 

1. neue Materialien zu generieren und
2. deren Verhalten effizient zu simulieren.

Es gibt drei aktuelle Forschungsbereiche:

Comparative Convolutional Neural Networks (CNNs) für Perowskit-Solarzellen

CNNs können die Leistungsfähigkeit von Perowskit-Solarzellen anhand von Bildern vorhersagen. Im Gegensatz zu klassischen Methoden analysieren sie Bilder desselben Geräts in unterschiedlichen Zuständen, etwa vor und nach der Verkapselung oder im Vergleich zu einem Referenzbild. So können sie präzise relative Änderungen der Effizienz erfassen. Besonders in Szenarien mit kleinen Datensätzen liefert diese Methode hohe Genauigkeit und ermöglicht eine schnelle, skalierbare Charakterisierung von Solarzellen ohne aufwendige Messungen.

AUGUR: Optimierung von Adsorptionsstellen

Der Algorithmus Aware of Uncertainty Graph Unit Regression (AUGUR) dient der Bestimmung der optimalen Adsorptionsstellen in Molekülen und Clustern. Durch die Kombination von Graph Neural Networks mit Bayesian Optimization entsteht ein Modell, das Unsicherheiten automatisch quantifiziert und unabhängig von Symmetrien, Translationen oder Rotationen arbeitet. AUGUR lässt sich universell einsetzen, benötigt weniger Rechenzeit als klassische Methoden und kann Moleküle unterschiedlichster Größe effizient analysieren. So kann er große, komplexe Systeme daten- und ressourcenschonend optimieren.

Machine Learning (ML) für bleifreie Perowskite

ML-Modelle ermöglichen die Entwicklung bleifreier Perowskite für Photovoltaik. Sie können Bandlücken, Stabilität und Energie vorhersagen und so vielversprechende Materialkombinationen identifizieren, ohne dabei teure Simulationen durchführen zu müssen. Basierend auf einer Datenbank mit 344 berechneten Perowskit-Materialien lässt sich der chemische Raum schnell durchsuchen, um effiziente und nachhaltige Materialien für die nächste Generation von Solarzellen zu finden.