Projekte

Im Projekt BASE soll der digitale Batteriepass entwickelt werden, den jede größere Batterie in Zukunft besitzen muss. Der Pass wird kontinuierlich erhobene Daten zum »State of Health« enthalten und außerdem Informationen zur Lieferkette, zum Herstellungsprozess und zu Materialdaten. Hierbei kommt die Methode des »Mass Balancing« zum Einsatz, die den Materialeinsatz in der Batterieproduktion detailliert bilanziert und besonderes Augenmerk auf die Verwendung nachhaltiger Bestandteile legt. Die Daten aus dem Batteriepass werden fälschungssicher dezentral gespeichert, sodass alle Beteiligten darauf Zugriff haben. Dies ermöglicht, die Lebensdauer eine Batterie zu optimieren und das Recycling zu verbessern.

Eine nachhaltige Kreislaufwirtschaft ist unerlässlich, um das Ziel der Klimaneutralität zu erreichen. Hierfür ist insbesondere die Entwicklung neuer innovativer Baustoffe entscheidend. Allerdings ist diese Entwicklung bisher ein sehr mühsamer und langwieriger Prozess. Um diesen Prozess zu unterstützen und deutlich zu beschleunigen, forschen die Experten des Fraunhofer Institut IBP und des Fraunhofer Institut SCAI am Forschungszentrum für Maschinelles Lernen an neuen datengetriebenen virtuellen Techniken zum Materialdesign.

Empirische Analysepotenziale und ab initio-Methoden wie die Dichtefunktionstheorie sind klassische Säulen der computergestützten Materialwissenschaft. Mit den Fortschritten im Bereich des maschinellen Lernens und der rasanten Zunahme der Rechenleistung werden datenbasierte Ansätze zu einem neuen Werkzeug, mit dem die Vorhersagekraft von ab initio-Methoden mit der rechnerische Effizienz von empirischen Potenzialen kombiniert werden können. Standard-Techniken des maschinellen Lernens wie Kernel-Learning (z.B. für das Gaußsche Approximationspotenzial), tiefe neuronale Netze (z.B. neuronale Netzwerkpotenziale von Behler et al.) und verallgemeinerte lineare Modelle (z.B. für Impuls-Tensor-Potentiale) wurden verwendet, um aus Daten schnelle und genaue Kraftfelder zu entwickeln, ohne dass menschliches Wissen über die zugrunde liegende Chemie erforderlich war. In diesem Projekt entwickeln wir qualitativ hochwertige, einfach zu handhabende Implementierungen solcher maschinellen Lernpotenziale und untersuchen Verbesserungsmöglichkeiten.

Ziel des Verbundprojekts MaGriDo ist die Entwicklung von Methoden des maschinellen Lernens, die deutlich weniger Daten benötigen als bisher oder Vorhersagen treffen können, die konsistent zum vorhandenen Wissen sind.

Das Projekt zielt darauf ab, einerseits die vielschichtigen Prozesse in Flow Batterien in ihrer Gesamtheit digital zu erfassen; andererseits geht es darum, die Identifizierung neuer, geeigneter Stoffe zu beschleunigen und das Design eines Batteriesystems an konkrete Gegebenheiten zu optimieren. Um das Suchgebiet für neue Stoffe so sinnvoll wie möglich, aber nur so groß wie nötig zu halten, und dann noch den Durchsatz bei der Materialsuche zu erhöhen, nutzt Fraunhofer SCAI mathematische Modelle. Für eine maximale Zuverlässigkeit werden die Resultate kontinuierlich mit simulierten und experimentellen Referenz-Daten abgeglichen.

Wachstum und Bearbeitung von Werkstoffen sind ein integraler Bestandteil des chemischen und elektronischen Engineerings. Da diese Industriezweige dabei sind, nanotechnologische Entwicklungen einzuführen, sind die entsprechenden Prozesse auf eine Präzision auf atomarer Skala angewiesen, die durch eine experimentelle Herangehensweise nur sehr schwierig und aufwändig zu erreichen ist. Das neu entwickelte Werkzeug wird es ermöglichen, Mechanismen auf atomarer Skala unter verschiedenen Prozessbedingungen zu simulieren und so wertvolle Erkenntnisse für die Prozessoptimierung zu liefern, welche die Kosten für die Entwicklung neuer Werkstoffe reduzieren.

Im von der Europäischen Kommission geförderten Projekt »Human Brain Projekt« (HBP) arbeiten führende Forschungseinrichtungen daran, das menschliche Gehirn besser zu verstehen. Dazu entwickeln sie beispielsweise neue Simulationsverfahren auf Hochleistungsrechnern. Ziele sind die Entwicklung neuer Therapieansätze zur Behandlung von Erkrankungen des Gehirns sowie neue Verfahren im Hochleistungsrechnen.

There is an urgent need for new modeling tools for discovering and predicting the properties of new materials used in electronics. QuantumWise, Fraunhofer SCAI and scapos bring together their expertise and software tools to develop a simulation platform which can model new materials sufficiently accurately.

Kombinierte Diffusions- und Konvektionsvorgänge von Ionen durch verschiedenartige Materialien sind die Grundlage vieler technisch interessanter Prozesse, von Batteriebetrieb über Betonzersetzung bis zum Einsatz von Biomembranen. NPNP ist eine Software zur numerischen Simulation von komplexen Ionenmigrationsprozessen mehrerer verschiedener Ionenspezies unter Berücksichtigung der Kopplung von elektrischem Feld und Ladungen bei freier Geometrie. NPNP erlaubt die Simulation zeitabhängiger Phänomene.

Im BMBF-Projekt »Schaltbare, intelligente Tribosysteme mit minimalen Reibverlusten und maximaler Lebensdauer« (SchmiRmaL) verwendet Fraunhofer SCAI eine hochmoderne molekulare Modellierung zur Simulation von Octanol-Wasser- und Membran-Wasser-Verteilungskoeffizienten. Beide Bestandteile sind wichtig, um die Giftigkeit der Chemikalien zu schätzen. Dabei misst die Octanol-Wasser-Verteilung, wie stark sich eine Chemikalie in einem biologischen Stoff anreichert. Dagegen zeigt die Membran-Wasser-Verteilung, wie schnell eine Chemikalie in eine biologische Zelle eindringen kann. Da die Experimente aufgrund der extrem geringen Konzentrationen nicht leicht durchzuführen sind, stellt die Simulation in Bezug auf die Genauigkeit und den Preis eine realistische Alternative dar.