Künstliche Intelligenz findet das optimale Werkstoffrezept

Porös oder dicht, Säulen oder Fasern

Bei der Herstellung von dünnen Schichten bestimmen zahlreiche Stellgrößen die Beschaffenheit der Oberfläche und somit ihre Eigenschaften. Nicht nur die Zusammensetzung der Schicht, auch die Prozessbedingungen bei ihrer Entstehung spielen eine Rolle, etwa die Temperatur.

All das zusammen lässt bei der Beschichtung eine poröse oder dichte Schicht entstehen, sorgt dafür, dass die Atome sich zu Säulen oder Fasern zusammenlagern.

„Um für eine Anwendung die optimalen Parameter zu finden, musste man bisher zahllose Experimente mit verschiedenen Bedingungen und Zusammensetzungen durchführen, das ist unglaublich komplex“, erklärt Prof. Dr. Alfred Ludwig, Leiter des Teams Materials Discovery and Interfaces.

Die Ergebnisse solcher Experimente sind sogenannte Strukturzonendiagramme, aus denen man die aus bestimmten Prozessparametern resultierende Oberfläche einer bestimmten Zusammensetzung ablesen kann.

„Erfahrene Wissenschaftlerinnen und Wissenschaftler können dann in so einem Diagramm die für eine Anwendung am besten geeignete Stelle erkennen und die entsprechenden Parameter für die Herstellung der passenden Schicht ableiten“, erklärt Ludwig. „Das alles ist ein enormer Aufwand und kostet sehr viel Zeit.“

Algorithmus sagt Oberflächen voraus

Um den Weg zum optimalen Material abzukürzen, setzte das Team auf künstliche Intelligenz, genauer maschinelles Lernen. Doktorand Lars Banko wandelte dafür in Zusammenarbeit mit Kolleginnen und Kollegen des Interdisciplinary Centre for Advanced Materials Simulation der RUB, kurz Icams, ein sogenanntes generatives Modell ab.

Dann trainierte er diesen Algorithmus darauf, Bilder der Oberfläche einer sehr gut untersuchten Modellschicht aus Aluminium, Chrom und Stickstoff anhand bestimmter Prozessparameter zu generieren und somit vorherzusagen, wie die Schicht bei diesen entsprechenden Bedingungen jeweils aussehen würde.

„Wir haben dem Algorithmus eine ausreichende Anzahl experimenteller Daten zum Training vorgegeben“, erklärt Lars Banko, „aber nicht alle bekannten Daten.“ So konnten die Forscher die Ergebnisse der Berechnungen mit denen von Experimenten vergleichen und untersuchen, wie zuverlässig die Vorhersage des Algorithmus war. Die Ergebnisse waren überzeugend:

„Wir haben parallel fünf Parameter kombiniert und konnten mit dem Algorithmus in fünf Richtungen gleichzeitig schauen, ohne Experimente machen zu müssen“, beschreibt Alfred Ludwig. „Damit haben wir gezeigt, dass sich die Methoden des maschinellen Lernens auf die Materialforschung übertragen lassen und helfen können, neue Materialien zielgerichteter entwickeln zu können.“

Förderung

Die Arbeiten wurden gefördert von der Deutschen Forschungsgemeinschaft im Rahmen des Sonderforschungsbereichs/Transregios 87 „Gepulste Hochleistungsplasmen zur Synthese nanostrukturierter Funktionsschichten“, Teilprojekt C2.

Originalveröffentlichung

Lars Banko, Yury Lysogorskiy, Dario Grochla, Dennis Naujoks, Ralf Drautz, Alfred Ludwig: Predicting structure zone diagrams for thin film synthesis by generative machine learning, in: Communications Materials, 2020, DOI: 10.1038/s43246-020-0017-2

Pressekontakt

Prof. Dr. Alfred Ludwig
Materials Discovery and Interfaces
Institut für Werkstoffe
Fakultät für Maschinenbau
Ruhr-Universität Bochum
E Mail: alfred.ludwig@rub.de

Prof. Dr. Alfred Ludwig
Materials Discovery and Interfaces
Institut für Werkstoffe
Fakultät für Maschinenbau
Ruhr-Universität Bochum
E Mail: alfred.ludwig@rub.de

Lars Banko, Yury Lysogorskiy, Dario Grochla, Dennis Naujoks, Ralf Drautz, Alfred Ludwig: Predicting structure zone diagrams for thin film synthesis by generative machine learning, in: Communications Materials, 2020, DOI: 10.1038/s43246-020-0017-2