Session

Maschinelles Lernen in der Materialwissenschaft

Termin:
Freitag 16.09.2022, 11:30 bis 13:00 Uhr
Dauer:
90 Minuten
Sessionchair:
Dr. Christian Feiler
Institut für Oberflächenforschung (Helmholtz-Zentrum hereon)

Prof. Robert Meißner
Institut für Kunststoffe und Verbundwerkstoffe (TUHH)

Dr. Gregor Vonbun-Feldbauer
Institut für keramische Hochleistungswerkstoffe (TUHH)

Kurzbeschreibung

Moderne Materialien können einen wichtigen Beitrag zur Lösung vieler aktueller Herausforderungen wie der Abmilderung der Folgen des Klimawandels liefern. Neue oder optimierte Materialien sind in vielen Bereich vom Energiesektor zum Beispiel für neue Batterien bis zum Leichtbau wünschenswert. Lange und komplexe Entwicklungsprozesse sind allerdings ein Hindernis und entsprechen oft der Suche nach der Nadel im Heuhaufen. Datengetriebene Ansätze des maschinelles Lernen sind hier sehr vielversprechend. Sie können zum Beispiel helfen Eigenschaften von Materialien effizienter zu berechnen und Beziehungen zwischen grundlegenden Materialeigenschaften wie der Struktur und funktionellen Eigenschaften zu erkennen. Solche Beziehungen werden zur Vorhersage der Eigenschaften riesiger Mengen ungetesteter Verbindungen angewendet.

Vorträge

  • Data-driven Selection of Electrolyte Additives for Aqueous Magnesium Batteries
    Prof. Mikhail L. Zheludkevich (Helmholtz-Zentrum hereon, Christian-Albrechts-Universität zu Kiel)

    As the lightest structural engineering metal, magnesium (Mg) is a promising base material for advanced technology. However, to unlock the full potential of Mg–based materials, precise control over the corrosion rate is important whereas it was demonstrated that its degradation behaviour can be affected by small organic molecules. Recent research has discovered new, effective magnesium corrosion inhibitors,[1] and electrolyte additives that boost the efficiency of magnesium-air primary batteries.[2] However, as small molecule chemistry space is essentially infinite, efficiently searching it to find small molecules with superior dissolution modulating properties (inhibitors or accelerators) using time- and resource-consuming experimental discovery methods is intractable. Consequently, computer-assisted selection of the most promising candidates prior to experimental investigation is of great benefit in the search for effective corrosion modulating additives for Mg-based materials.[3-5] Apart from a sufficiently large, diverse and reliable training data set and a suitable modelling framework (usually based on one or more machine learning algorithms), relevant molecular descriptors are a prerequisite for the development of predictive quantitative structure-property relationship models. The latter can either be selected by chemical intuition or based on statistical methods. Aqueous primary Mg-air batteries have considerable potential as energy sources for sea applications and portable devices. Apart from aspects regarding the cathode, mainly two challenges have to be solved at the anode-electrolyte interface. The first refers to the power profile stability (discharge potential) and respective voltage drop, which is triggered by self-corrosion (anode fouling) and aging of the electrolyte. The second is related to the mass of anode material that can be utilized for discharge (utilization efficiency), which is also triggered by previous aspects, but additionally by the chunk-effect susceptibility of the anode material. Aside from alloying, an effective strategy to mitigate self-corrosion and battery failure is the use of electrolyte additives. The talk outlines our recent activities in the systematic search for effective battery electrolyte additives for primary Mg-air batteries based on quantitative structure-activity relationship models.
    References:
    [1] S. V. Lamaka, B. Vaghefinazari, D. Mei, R.P. Petrauskas, D. Höche, M. L. Zheludkevich, Corros. Sci. 2017, 128, 224-240.
    [2] L. Wang, D. Snihirova, M. Deng, B. Vaghefinazar, S. V. Lamaka, D. Höche, M.L. Zheludkevich, J. Power Sources 2020, 460, 228106.
    [3] C. Feiler, D. Mei, B. Vaghefinazari, T. Würger, R. H. Meißner, B. J. C. Luthringer-Feyerabend, D.A. Winkler, M. L. Zheludkevich, S. V. Lamaka, Corros. Sci. 2020, 163, 108245.
    [4] T. Würger, D. Mei, B. Vaghefinazari, D. A. Winkler, S.V. Lamaka, M. L. Zheludkevich, R. H. Meißner, C. Feiler, npj Mater. Degrad. 2021, 5, 2.
    [5] E. J. Schiessler, Tim Würger, S. V. Lamaka, R. H. Meißner, C. J. Cyron, M. L. Zheludkevich, C. Feiler, R. C. Aydin, npj Comp. Mater. 2021, 7, 193.

  • Strukturaufklärung neuer Materialien durch Kombination von atomistischen Simulation und experimenteller Strukturanalyse
    Dr. Wilke Dononelli (Universität Bremen)

    Die Eigenschaften aller Materialien werden durch die räumliche Anordnung ihrer Atome bestimmt. Dies ist die sogenannte Struktur-Eigenschafts-Beziehung. Sollen bestimmte Eigenschaften neuer funktioneller Materialien erklärt werden, ist somit die Aufklärung der Struktur durch ein geeignetes Modell ein wichtiger Schritt. Für feste Verbindungen werden dabei meist Röntgen- oder Neutronenbeugungsexperimente verwendet. Diese Methoden funktionieren nur bedingt bei amorphen Phasen oder Materialien mit zu kleinen Kristallitgrößen. In diesen Fällen kann die Strukturaufklärung mit Hilfe von atomistischen Simulationen, beispielsweise auf Basis von Dichtefunktionaltheorie, helfen. Leider ist der kombinatorische Untersuchungsraum oft so groß, dass der Rechenaufwand für Computersimulationen unermesslich wird. Zusätzlich ist es oft schwierig, mit diesen Methoden Strukturen von metastabilen Phasen aufzuklären. Moderne Methoden wie genetische bzw. evolutionäre Algorithmen und verschiedene Machine Learning (ML) Algorithmen können den Prozess der Strukturaufklärung erleichtern. Insbesondere die Kombination von atomistischen Simulationen mit Daten aus Beugungsexperimenten liefert vielversprechende Ergebnisse, die auch die Aufklärung metastabiler Phasen ermöglicht. Eine solche Methode, basierend auf einem evolutionären Algorithmus und einem on-the-fly trainierten ML-Potential, soll hier näher erläutert werden.

  • Der Einsatz von Machine Learning bei der Entwicklung von Lithium-Ionen Zellen
    Dr. Daniela Werlich (CTO, CUSTOMCELLS Holding GmbH)

    Bei der Entwicklung von Lithium-Ionen Zellen gibt es eine Vielzahl an Komponenten und Parametern, die individuell angepasst werden können. Angefangen mit den Aktivmaterialien, über das Rezept und die Beladung der Elektrode bis hin zum Zellformat, stehen dem Batterieentwickler zahlreiche Optionen zur Verfügung. Dabei muss jedoch beachtet werden, dass eine Lithium-Ionen Zelle nicht nur durch ihre Elektrochemie sondern vor allem durch ihre Prozessierbarkeit überzeugen muss. Machine Learning bildet im Kontext ein wichtiges Tool, um in der Entwicklung sowie während der Produktion flexibel auf Änderungen bei den einzelnen Komponenten reagieren zu können. So wird letztlich die finale Produktqualität im Entwicklungszeitraum kontinuierlich verbessert. Der CUSTOMCELLS® Vortrag geht auf die Möglichkeiten des Einsatzes von Machine Learning in der Entwicklung und Produktion von Lithium Batterien ein, beleuchtet daneben aber auch Aspekte wie Rückverfolgbarkeit und Qualität in den verschiedenen Anwendungsbereichen der Lithium-Ionen Batterietechnik.