Autonomes Messsystem findet neue Materialien schneller
Wie erkennt man, ob neue Materialien für technische Lösungen geeignet sind? Forschende der Ruhr-Uni Bochum haben dafür jetzt einen Algorithmus entwickelt, der bei der Auswahl hilft.
Foto: RUB/Marquard
Zeit ist Geld, so auch in der Werkstoffforschung. Mit Hochdruck suchen Forschende deshalb nach neuen Materialien, die zukünftige Technologien auf die Straße bringen – beispielsweise Elektrokatalysatoren für die Energiewende. Wegen ihrer vielseitigen Eigenschaften kommen dafür vor allem solche Werkstoffe in Betracht, die aus fünf oder mehr Elementen bestehen. Mit Blick auf die nutzbaren Elementen des Periodensystems gleicht dies Unterfangen der Suche einer Stecknadel im Heuhaufen. Nun aber haben Forscher um Alfred Ludwig am Lehrstuhl Neue Materialien und Grenzflächen der Ruhr-Universität Bochum einen Algorithmus entwickelt, der mögliche Kandidaten aus der schier unendlichen Fülle möglicher Materialien viermal schneller herauspicken kann als bisher.
Das Konzept des Active Learnings verkürzt die Messzeit von Proben erheblich
Bei der Analyse zählt jede Minute, denn trotz hoch spezialisierter Methoden, mit denen eine Reihe von Materialien parallel auf einer einzigen Probe hergestellt und anschließend automatisiert gemessen werden kann, dauert es mitunter Tage oder Wochen, bis die Untersuchung einer Probe abgeschlossen ist. Der Bochumer Algorithmus aber steigert die Effizienz der vorhandenen Messinstrumente um ein Vielfaches.
Lesetipp: KIT entwickelt Magnetresonanztischgeräte für die Materialforschung
„Durch die Verwendung von Active Learning ist ein Messinstrument in der Lage, sich den nächsten Messpunkt auf einer Probe eigenständig auszusuchen, basierend auf den bereits vorhandenen Informationen über das Material“, erklärt Felix Thelen, Entwickler des autonomen Messprogramms. Punkt für Punkt wird dadurch ein mathematisches Modell über die gemessene Materialeigenschaft verfeinert, bis die Genauigkeit ausreichend ist. In diesem Moment stoppt die Messung, die Ergebnisse an den verbleibenden Messpunkten werden durch das erzeugte Modell vorhergesagt.
Aufwendige Messverfahren in der Materialforschung
Am Beispiel von elektrischen Widerstandsmessungen an zehn untersuchten Materialbibliotheken konnte das Bochumer Forschungsteam die Funktionsweise des Algorithmus belegen. „Unsere eigentliche Arbeit beginnt hiermit gerade erst“, räumt Felix Thelen ein, „denn in der Materialforschung existieren weitaus aufwendigere Messverfahren als die Widerstandsmessung, die ebenfalls optimiert werden müssen.“ In Kooperation mit den Herstellern der Instrumente müssten nun Lösungen entwickelt werden, die die Integration solcher Active-Learning-Algorithmen gestatten.
Lesetipp: Glas mit maßgeschneiderten Eigenschaften am Computer entwickelt
