Virtual Material Design

Innovative Materialien ermöglichen Fortschritte in Industrie und Technik – Materialwissenschaften, Chemie und Nanotechnologie gehören daher zu den Schlüsseltechnologien unserer Zeit.

Die Entwicklung hochspezialisierter Materialien und Moleküle setzt ein tiefes Verständnis der physikalischen und chemischen Vorgänge und Gesetze voraus, von der atomaren Ebene bis hin zum sichtbaren, makroskopischen Verhalten. Man benötigt zeitliche und räumliche Multiskalen-Modelle, um ein Material so genau zu beschreiben, dass alle Aspekte seines Verhaltens erfassbar werden.

Unser Ziel ist es, im Rechner – als virtuellem Labor – neue Materialien und Moleküle zu erzeugen und zu untersuchen. Das spart in der praktischen Entwicklung Zeit und Geld.

Die angewandte Forschung und Entwicklung bei VMD konzentriert sich auf datengetriebenes Design, moderne Multiskalen-Modellierung und effiziente Simulationstechniken. Wir setzen moderne numerische Methoden für hochdimensionale Probleme, Optimierung, maschinelles Lernen und Datenanalyse ein.

Die Verzahnung von Fachwissen, empirischen Daten und maßgeschneiderter Software ist unser Ansatz und unser Beitrag zur Lösung konkreter Fragestellungen.

Innovatives, datengetriebenes Design

Lange Zeit waren die Empirie (d.h. Experimente) und die Theorie (d.h. Modelle) die maßgeblichen Paradigmen in der Wissenschaft. Mit der Jahrtausendwende etablierte sich die numerische Simulation als ergänzendes, drittes Paradigma. Darüber hinaus hat die Fülle experimenteller und berechneter Daten und die Möglichkeit, diese Daten schnell und präzise auszuwerten, datengetriebene Wissenschaft möglich gemacht, die als »viertes Paradigma« anzusehen ist.

Ein moderner Zugang zu wissenschaftlichen oder technischen Fragen kann über ein so genanntes „Whitebox“-Modell geschehen, das die genaue physikalische Beschreibung des modellierten Systems erfasst (z.B. über die Lösung partieller Differentialgleichungen). Alternativ kann ein „Blackbox“-Modell verwendet werden, das aus eingegebenen Daten vollautomatisch Ausgaben erzeugt (z.B. über Maschinelles Lernen). Als Zwischenstufe können auch kombinierte Ansätze, so genannte „Graybox“-Modelle entwickelt und eingesetzt werden.