Applications of Machine Learning in Materials Science

Der zunehmende Einsatz datengesteuerter Verfahren in der Materialwissenschaft, einschließlich des maschinellen Lernens, hat zur Werkstoffinformatik geführt und birgt ein großes Potenzial für die schnellere Entdeckung und Entwicklung fortschrittlicher Materialien. Das maschinelle Lernen wird derzeit in der Materialwissenschaft intensiv erforscht und zu seinen Anwendungen gehören die Entdeckung und das Screening neuer Materialien, die Beschleunigung teurer Computersimulationen und die Verbesserung der Analyse großer Mengen komplexer Charakterisierungsdaten. Das Ziel dieser Arbeit besteht darin, grundlegende Konzepte zusammenzufassen und einen einheitlichen Arbeitsablauf für den Einsatz von maschinellem Lernen in der Materialwissenschaft zu präsentieren. ... mehrUm die Vorteile und Effektivität des maschinellen Lernens zu veranschaulichen, werden drei Studien durchgeführt. Diese dienen als praktische Anwendungsbeispiele und decken die häufigsten Aspekte im Prozess der Materialforschung ab: Experimente, Charakterisierung und Simulation. Für die Experimente wird in dieser Arbeit ein Optimierungsalgorithmus verwendet, um die experimentellen Parameter für den Sintersyntheseprozess eines Elektrolytmaterials in einer Festkörperbatterie zu bestimmen, mit dem Ziel, die Zeit zu reduzieren, die benötigt wird, um die optimalen experimentellen Parameter zu finden. Diese Methodik wird auch erweitert, um die am besten geeigneten Parameter für die Erzeugung simulierter digitaler poröser Mikrostrukturen zu finden. Für die Simulation wird ein auf einem (künstlichen) neuronalen Netzwerk basierendes Modell verwendet, um schnell Prozess-Struktur-Eigenschafts-Beziehungen für poröse Membranmikrostrukturen vorhersagen zu können. Das Modell nutzt insbesondere seine Fähigkeit, Repräsentationen zu lernen, um automatisch strukturelle Informationen zu extrahieren. Zur Charakterisierung werden in dieser Arbeit verschiedene Methoden des maschinellen Lernens zur Analyse von Flugzeit-Sekundärionen-Massenspektrometriedaten von Lithiumverbindungen untersucht. Es ist möglich, nicht nur eine schnelle Klassifizierung zur Identifizierung von Zusammensetzungen zu erstellen, sondern auch interpretierbare chemische Informationen auf der Grundlage der Bedeutung der Merkmale des Modells zu erfassen. Diese Studien sind typische Beispiele, die den Nutzen der Anwendung von Methoden des maschinellen Lernens in der Materialforschung verdeutlichen, und die vorgestellten Ideen können auf andere Szenarien erweitert werden. Darüber hinaus werden die Erfahrungen und Überlegungen, die bei diesen Studien gewonnen wurden, erörtert und Anmerkungen für die künftige Forschung in diesem Bereich gemacht.

The increasing use of data-driven techniques in materials science, including machine learning, has given rise to materials informatics and shows great potential for expediting the discovery and development of advanced materials. Machine learning is currently widely explored in the materials science community, and its applications include discovering and screening novel materials candidates, accelerating expensive computational simulations, and enhancing the analysis of large amounts of complicated characterization data. This work aims to summarize fundamental concepts and introduce a unified workflow for utilizing machine learning in materials science. ... mehrTo illustrate its advantages and effectiveness, three studies are conducted to serve as practical examples of use, covering the most common aspects involved in the process of materials research: experiments, characterization, and simulation. For experiments, this work utilizes an optimization algorithm to determine the experimental parameters for the sintering synthesis process of an electrolyte material in the solid-state battery, with the goal of reducing the time needed to find the optimal experimental parameters. Similarly, this methodology is extended to find the most appropriate parameters for generating simulated digital porous membrane microstructures. For simulation, an (artificial) neural network-based model is utilized to fit a fast predictive model to build process-structure-property relationships for porous membrane microstructures. In particular, the representation learning ability of the model is exploited to automatically extract structural information. For characterization, this work explores different machine learning methods for the analysis of time-of-flight secondary ion mass spectrometry data measured from lithium compounds. Not only can a fast classification be built for identifying compositions, but interpretable chemical information can also be retrieved based on the feature importance of the model. These studies are typical examples that illustrate the benefits of applying machine learning methods in material research and the ideas presented can be extended to different scenarios. Furthermore, the experiences and reflections gained from these studies are discussed, along with suggestions for future research in this area.