Materialdesign mit Hilfe Künstlicher Intelligenz

Hinweis zur Verwendung von Bildmaterial: Die Verwendung des Bildmaterials zur Pressemitteilung ist bei Nennung der Quelle vergütungsfrei gestattet. Das Bildmaterial darf nur in Zusammenhang mit dem Inhalt dieser Pressemitteilung verwendet werden. Falls Sie das Bild in höherer Auflösung benötigen oder Rückfragen zur Weiterverwendung haben, wenden Sie sich bitte direkt an die Pressestelle, die es veröffentlicht hat.

Symbolisches Bild der Nutzung Künstlicher Intelligenz in der Korrosionsforschung. | Copyright: Zusammengestellt aus Adobe Stock Bildern | Download

Hinweis zur Verwendung von Bildmaterial: Die Verwendung des Bildmaterials zur Pressemitteilung ist bei Nennung der Quelle vergütungsfrei gestattet. Das Bildmaterial darf nur in Zusammenhang mit dem Inhalt dieser Pressemitteilung verwendet werden. Falls Sie das Bild in höherer Auflösung benötigen oder Rückfragen zur Weiterverwendung haben, wenden Sie sich bitte direkt an die Pressestelle, die es veröffentlicht hat.

a) Schematische Darstellung des neuronalen Lernmodells b) Schematische Darstellung der Datenverarbeitung mit Hilfe natürlicher Sprachverarbeitung. LSTM: long short-term memory (übersetzt: langes Kurzzeitgedächtnis). | Copyright: Bild entnommen aus Science Advances, DOI: 10.1126/sciadv.adg7992 | Download

❮ ❯

2,5 Billionen US-Dollar jährlich – so hoch ist der wirtschaftliche Schaden, der weltweit durch Korrosion verursacht wird. Seit jeher suchen Wissenschaft und Industrie nach neuen Legierungen, die korrosionsresistent sind und nach Beschichtungen, die Legierungen vor Korrosion schützen. Bei der Suche wird künstliche Intelligenz (KI) immer häufiger angewendet, um das Korrosionsverhalten von Materialien vorherzusagen und so optimale Legierungszusammensetzungen zu finden. Allerdings ist die Vorhersagekraft bisheriger KI-Modelle begrenzt, da nicht alle relevanten Daten in Betracht gezogen werden können. Wissenschaftler des Düsseldorfer Max-Planck-Instituts für Eisenforschung (MPIE) haben ein neues maschinelles Lernmodell entwickelt, das korrosives Versagen um 15% genauer vorhersagen kann als bisherige Modelle und neue resistente Legierungen vorschlägt. Ursprünglich für den kritischen Bereich der Lochfraßkorrosion in hochfesten Legierungen entwickelt, lässt sich das Modell auf alle Legierungseigenschaften ausweiten. Die Forscher haben ihre Erkenntnisse in der Fachzeitschrift Science Advances veröffentlicht.

Texte und Zahlen in einem KI-Modell

„Die Korrosionsresistenz jeder Legierung hängt von ihrer Zusammensetzung und ihrer Herstellung und Verarbeitung ab. Allerdings konnten bisherige KI-Modelle nur die Zusammensetzung basierend auf numerischen Daten verarbeiten. Da die Herstellung und Verarbeitung der Legierung aber textlich dokumentiert werden, flossen diese Daten nicht in KI-Modelle ein. Deswegen war die Aussagekraft bisheriger KI-Modelle eingeschränkt“, erklärt Dr. Kasturi Narasimha Sasidhar, Erstautor der Veröffentlichung und ehemaliger Postdoktorand am MPIE. Das Forscherteam nutzt Sprachverarbeitungsmethoden, ähnlich wie ChatGPT, und kombiniert diese mit maschinellem Lernen (ML). So konnten die MPIE-Wissenschaftler ein maschinelles Lernmodell entwickeln, das numerische Daten und natürliche Sprache vollautomatisch verarbeitet und nun besser vorhersagen kann, wie Legierungen sich bei Korrosion verhalten beziehungsweise welche Legierungen korrosionsresistent sind. „Am Anfang haben wir das Lernmodell mit Daten über Korrosionseigenschaften und Legierungszusammensetzung trainiert. Jetzt ist das Modell selbstständig in der Lage korrosionsresistente Legierungen zu erkennen, selbst wenn die einzelnen Elemente ursprünglich nicht in das Modell eingegeben wurden“, sagt Dr. Michael Rohwerder, Co-Autor der Veröffentlichung und Leiter der Gruppe „Korrosion“ am Max-Planck-Institut für Eisenforschung.

Ausblick: Automatisiertes Data Mining und Bildverarbeitung

Bisher basiert das KI-Modell auf manuell gesammelten Daten der Wissenschaftler. Ihr Ziel besteht jetzt darin, den Prozess des Data Mining zu automatisieren und nahtlos in ihr Modell zu integrieren. Zudem soll das Modell auch auf Mikroskopiebilder erweitert werden, damit alle relevanten Informationsquellen, Text, Zahlen und Bilder, in das KI-Modell einfließen und so die Aussagekraft weiter erhöhen.

Wissenschaftlicher Ansprechpartner:
Dr. Kasturi Narasimha Sasidhar narasimhasasidhar17@gmail.com
Prof. Dierk Raabe raabe@mpie.de

Originalpublikation:
K.N. Sasidhar, N.H. Siboni, J.R. Mianroodi, M. Rohwerder, J. Neugebauer, D. Raabe: Enhancing corrosion resistant alloy design through natural language processing and deep learning. In: Science Advances 9 (2023) eadg7992. DOI: 10.1126/sciadv.adg7992

Weitere Informationen:
https://www.mpie.de/4894435/ml-for-corrosion-science?c=2914275