Die Entwicklung der Materialinformatik ist entscheidend für die Schöpfung innovativer und hochentwickelter Materialien, die saubere Energietechnologien vorantreiben werden. Da die Entdeckung und Optimierung von Materialien die weltweite Forschungsgemeinschaft derzeit Jahrzehnte in Anspruch nimmt, behindert dieser große zeitliche Rahmen die Entwicklung sauberer Energietechnologien im zeitkritischen Kampf gegen den Klimawandel. Deshalb wollen wir die Möglichkeiten der computergesteuerten Materialentdeckung vorantreiben.
Die Entdeckung und Entwicklung von Materialien wird durch die Erkundung des chemischen Raums mittels Syntheseverfahren vorangetrieben. Diese vielschichtigen Verfahren bestimmen die strukturellen Eigenschaften der Materialien, die wiederum wesentliche Faktoren sind, die wichtige Leistungseigenschaften wie die Li+-Diffusion für Festkörperelektrolyte beeinflussen. Zeitgenössische Bemühungen haben zur Entwicklung umfangreicher Toolkits für atomistische Methoden nach den ersten Prinzipien geführt, indem strukturelle Eigenschaften mit Berechnungen nach den ersten Prinzipien verknüpft wurden, während Fortschritte in der Verarbeitung natürlicher Sprache die Extraktion von Syntheseprozessen und -ergebnissen in großem Maßstab erleichtern. Im Zuge der fortschreitenden Laborautomatisierung entwickelt sich das autonome Experimentieren auf der Grundlage der Bayes'schen Optimierung zu einem bevorzugten Ansatz für die Verbesserung von Materialeigenschaften.
Unsere Forschung konzentriert sich auf die Verknüpfung von rechnergestützten und experimentellen Materialwissenschaftlern, indem wir mit Hilfe von maschinellem Lernen Vorhersagen über Synthesemöglichkeiten und Syntheseparameter treffen. Dies wird durch die Nutzung umfangreicher First-Principles-Datensätze in Kombination mit aus der Literatur extrahierten experimentellen Daten erreicht, um innovative Pre-Training- und Destillationsstrategien für Deep Materials Representation Learning zu bestimmen.