Forschung
Forschungsthemen
Maschinelle Lernverfahren für atomistische Modellierung
Forscher am AMC entwickeln Methoden des maschinellen Lernens, um atomistische Simulationen chemischer Systeme zu beschleunigen und zu verbessern. Durch das Trainieren von Modellen mit quantenmechanischen Daten erstellen wir effiziente interatomare Potenziale mit einer Genauigkeit, die nahezu den ersten Prinzipien entspricht. Diese Ansätze ermöglichen groß angelegte Simulationen von Materialien und Molekülen, die zuvor rechnerisch nicht durchführbar waren. Unsere Arbeit verbindet physikbasierte Modellierung und datengesteuerte Vorhersagen, um neue Erkenntnisse in der Physik, Materialwissenschaft und Chemie zu gewinnen.
Atomistische Modellierung in der Materialwissenschaft
Wir verwenden atomistische Modellierung, um das Verhalten von Molekülen und Materialien auf atomarer Ebene zu verstehen und vorherzusagen. Diese Simulationen ergänzen Experimente, indem sie Mechanismen aufzeigen, die direkt nur schwer zu beobachten sind, wie beispielsweise Defektdynamik oder Phasenübergänge. Durch die Integration von computergestützten und experimentellen Erkenntnissen erzielt die Forschung am AMC ein tieferes und zuverlässigeres Verständnis der Materialeigenschaften und -leistung. Diese Synergie beschleunigt die Entwicklung fortschrittlicher Materialien für Anwendungen in der Energiewissenschaft und Elektronik.
Datengesteuerte atomistische Modellierung
Ein zentrales Thema bei AMC sind neue datengesteuerte Modelle, die dazu dienen, das komplexe Verhalten chemischer Systeme auf atomarer Ebene effizient zu untersuchen und vorherzusagen. Durch die Kombination von maschinellem Lernen mit Simulations- und experimentellen Daten decken wir Struktur-Eigenschafts-Beziehungen auf und leiten Entdeckungen auf molekularer Ebene. Mithilfe adaptiver Versuchsplanung wählen wir strategisch Simulationen oder Messungen aus, um den Informationsgewinn und die Modellgenauigkeit zu maximieren. Diese geschlossene Integration von Berechnung und Experiment beschleunigt die Entwicklung neuartiger Materialien mit gezielten Eigenschaften.
Neuartige Methoden zur Untersuchung elektronischer Strukturen
Wir entwickeln neuartige Methoden zur Untersuchung elektronischer Strukturen, die sowohl hinsichtlich ihrer Genauigkeit als auch ihrer Effizienz über die traditionelle Dichtefunktionaltheorie hinausgehen. Die Vision von AMC ist es, neue Ansätze zu entwickeln, um komplexe Quantenphänomene – einschließlich starker Korrelationen und Dynamiken im angeregten Zustand – zu erfassen und gleichzeitig die Recheneffizienz für groß angelegte Simulationen zu erhalten. Durch die Kombination von maschinellem Lernen und linear skalierenden Techniken ermöglichen wir Einblicke auf Quantenebene in Systeme, die bisher unerreichbar waren. Diese Methoden sind eng mit der experimentellen Validierung verzahnt, um ihre Bedeutung für die Materialwissenschaften, Chemie und Physik sicherzustellen.