Nutzung von KI zur Entdeckung von Geheimnissen der Materialwissenschaft

Vom 18. bis 19. Novem­ber 2025 wird die Ruhr-Uni­ver­sität Bochum zum Bren­npunkt für bahn­brechende Diskus­sio­nen über die Schnittmenge von kün­stlich­er Intel­li­genz (KI) und Mate­ri­al­wis­senschaft. Die 2nd Con­fer­ence on Arti­fi­cial Intel­li­gence in Mate­ri­als Sci­ence and Engi­neer­ing (AI MSE 2025) ver­spricht, Vor­denker, Forsch­er und Inno­va­toren aus der Indus­trie zusam­men­zubrin­gen, um trans­for­ma­tive Fortschritte in diesem sich schnell entwick­el­nden Bere­ich zu erforschen. Für diejeni­gen, die nicht per­sön­lich teil­nehmen kön­nen, bietet die Ver­anstal­tung eine solide virtuelle Plat­tform, die eine weltweite Teil­nahme gewährleis­tet.

Nutzung von KI zur Ent­deck­ung von Geheimnis­sen der Mate­ri­al­wis­senschaft

Die Mate­ri­al­wis­senschaft — ein Eckpfeil­er der tech­nol­o­gis­chen Inno­va­tion — wen­det sich zunehmend der kün­stlichen Intel­li­genz zu, um kom­plexe Her­aus­forderun­gen zu bewälti­gen und Ent­deck­un­gen zu beschle­u­ni­gen. Auf der AI MSE 2025 wer­den die Teil­nehmer erforschen, wie KI tra­di­tionelle Ansätze rev­o­lu­tion­iert. Das Kon­feren­zpro­gramm umfasst Ple­nar­vorträge, mündliche und Poster­präsen­ta­tio­nen sowie inter­ak­tive Diskus­sio­nen zu so unter­schiedlichen The­men wie Mate­ri­al­forschung und fortschrit­tliche Sim­u­la­tio­nen bis hin zu neu­rosym­bol­is­chen Meth­o­d­en und physikalisch informierten neu­ronalen Net­zen.

Ein Schw­er­punkt ist die Frage, wie KI-gestützte Ver­fahren eine präzise Charak­ter­isierung von Mikrostruk­turen ermöglichen, indem bild­basierte Meth­o­d­en zur Rekon­struk­tion und Vorher­sage von Mate­ri­aleigen­schaften einge­set­zt wer­den. Diese Erken­nt­nisse haben weitre­ichende Auswirkun­gen, von der Entwick­lung fes­ter­er, leichter­er Legierun­gen bis hin zur Förderung energieef­fizien­ter Mate­ri­alien für nach­haltige Tech­nolo­gien.

Auf­strebende Tech­nolo­gien und inno­v­a­tive Ansätze erforschen

Die AI MSE 2025 wird bahn­brechende Tech­nolo­gien vorstellen, darunter:

Neu­rosym­bol­is­che Ansätze: Durch die Kom­bi­na­tion von sym­bol­is­chem Denken und maschinellem Ler­nen verbessern diese Meth­o­d­en die Inter­pretier­barkeit und Entschei­dungs­find­ung in kom­plex­en materiellen Sys­te­men.

Physikalisch informierte neu­ronale Net­ze: Durch die Ein­bet­tung physikalis­ch­er Geset­ze in KI-Architek­turen erre­ichen Forsch­er eine beispiel­lose Genauigkeit bei der Vorher­sage von Mate­ri­alver­hal­ten.

Natür­liche Sprachver­ar­beitung (NLP) und große Sprach­mod­elle: Erforschung, wie KI wis­senschaftliche Lit­er­atur analysieren und syn­thetisieren kann, um neue Mate­ri­alien schneller zu ent­deck­en.

Neu­ronale gewöhn­liche Dif­fer­en­tial­gle­ichun­gen (ODEs): Diese Werkzeuge mod­el­lieren die zeitkon­tinuier­liche Dynamik von Mate­ri­al­prozessen und ebnen den Weg für Echtzei­tan­wen­dun­gen.

Aktives Ler­nen: Par­a­dig­men des maschinellen Ler­nens, die es Algo­rith­men ermöglichen, Dat­en adap­tiv abzufra­gen, um die Effizienz zu opti­mieren.

Mikrostruk­tur-Charak­ter­isierung und ‑Rekon­struk­tion: Nutzung bild­basiert­er Meth­o­d­en für die Analyse und Rekon­struk­tion von Mate­rialmikrostruk­turen.

Quelle: IDW