Autonome Messgeräte erkennen systematisch neue Materialien

Forscher arbeiten unermüdlich daran, neue Materialien für Zukunftstechnologien zu finden, die für die Energiewende unerlässlich sind – beispielsweise Elektrokatalysatoren. Aufgrund ihrer vielseitigen Eigenschaften sind Materialien, die aus fünf oder mehr Elementen bestehen, für diesen Zweck von großem Interesse. Mit etwa 50 verwendbaren Elementen des Periodensystems gibt es eine nahezu unendliche Anzahl möglicher Materialien.

Felix Thelen vom Lehrstuhl für Materialentdeckung und Grenzflächen der Ruhr-Universität Bochum unter der Leitung von Professor Alfred Ludwig hat einen Algorithmus entwickelt, der Materialkandidaten viermal schneller als bisher scannen kann. Möglich wird dies durch das Konzept des aktiven Lernens, einem Teilgebiet des maschinellen Lernens. Das Forschungsteam veröffentlichte seine Ergebnisse in der Zeitschrift Digitale Entdeckung am 19. September 2023.

Trotz hochspezialisierter Methoden, mit denen auf einer einzigen Probe gleichzeitig verschiedene Materialien hergestellt und anschließend automatisch gemessen werden können, zählt bei der Analyse jede Minute: Denn bis die Charakterisierung einer Probe abgeschlossen ist, können Tage oder sogar Wochen vergehen. Der neue Algorithmus kann in bestehende Messgeräte integriert werden, um deren Effizienz deutlich zu steigern.

Quelle: Ruhr-Universität-Bochum

„Durch aktives Lernen ist ein Messgerät in der Lage, selbstständig den nächsten Messbereich auf einer Probe auszuwählen, basierend auf den bereits vorhandenen Informationen über das Material“, erklärt Thelen, Entwickler des autonomen Messalgorithmus.

Im Hintergrund wird ein mathematisches Modell der gemessenen Materialeigenschaft Punkt für Punkt verfeinert, bis eine ausreichende Genauigkeit erreicht ist. An einem Punkt kann die Messung gestoppt werden – und die Ergebnisse in den verbleibenden Messbereichen werden durch das generierte Modell vorhergesagt.

Durch die Analyse von zehn Materialbibliotheken mittels elektrischer Widerstandsmessungen demonstrierte das Bochumer Forscherteam, wie der Algorithmus funktioniert. „Unsere Arbeit fängt hier gerade erst an“, sagt Thelen. „Denn in der Materialforschung gibt es weitaus komplexere Messmethoden als die Widerstandsmessung, die ebenfalls optimiert werden müssen.“

In Zusammenarbeit mit den Herstellern der Instrumente müssen nun Lösungen entwickelt werden, die die Integration solcher aktiven Lernalgorithmen ermöglichen.

Mehr Informationen:
Felix Thelen et al., Beschleunigung der Hochdurchsatzcharakterisierung von Materialbibliotheken durch aktives Lernen: autonome elektrische Widerstandsmessungen, Digitale Entdeckung (2023). DOI: 10.1039/D3DD00125C

Bereitgestellt von der Ruhr-Universität Bochum

ph-tech