Materialforschung Mit Physik und maschinellem Lernen zu mehr Erkenntnissen in der Chemie

Forscher der TU Kaiserslautern-Landau entwickeln thermodynamische Modelle, um Stoffeigenschaften von Mischungen vorherzusagen. Das könnte in Zukunft auch fossile Rohstoffe ersetzen.

Bei der Produktion von Chemikalien, aber auch bei der Entwicklung neuer Batterien, die zum Beispiel in E-Autos Energie liefern, fungieren meist stoffliche Mischungen. Dabei ist es wichtig, zu wissen, wie sich die Stoffe dabei verhalten. Die Kenntnis der Stoffeigenschaften sei also von zentraler Bedeutung für im Grunde alle verfahrenstechnischen Prozesse, was von der Reaktion bis zur Aufreinigung der Zielprodukte reiche. Dabei geht es unter anderem um die Fragen, wie groß die Löslichkeit einer Substanz in einem bestimmten Lösungsmittel bei einer bestimmten Temperatur ist, bei welcher Temperatur ein bestimmtes Gemisch aus zwei oder mehreren Substanzen siedet, aber auch um den Umgang mit nachwachsenden Rohstoffen. Es gelte, dringend neue und energieeffiziente Prozesse zu entwickeln, die ohne fossile Rohstoffe auskämen. Das gehe aber nicht ohne Informationen über die relevanten Stoffeigenschaften.

Ethischer KI-Einsatz

Warum eine verantwortungsbewusste Gestaltung von Sprachmodellen nottut

Physikalische Realitäten treffen auf künstliche Intelligenz

In Laborexperimenten aber alle denkbaren Kombinationen von Substanzen sowie den Einfluss von Parametern wie Temperatur und Druck zu untersuchen, ist aufgrund der schier unendlichen Möglichkeiten nicht praktikabel. Deshalb setzen die Forscher an der Rheinland-Pfälzischen Technischen Universität Karlsruhe-Landau (RPTU) nach eigenen Angaben auf ihre speziellen Modelle, mit denen auch die Stoffeigenschaften von nicht vermessenen Substanzen und Mischungen und/oder bei nicht vermessenen Zuständen vorhersagen zu können.

Jetzt kommen wir zur Thermodynamik, in der solche Modelle schon lange eine zentrale Rolle spielen, wie es weiter heißt. Durch Verfahren des maschinellen Lernens (ML), einem Teilbereich der künstlichen Intelligenz (KI), habe die Forschung heute auch noch ganz neue Möglichkeiten, um den Erkenntnisraum zu erweitern. Denn mit ML-Techniken würden die thermodynamische Modellierung revolutioniert. ML-Methoden benötigen aber meist große Datensätze, anhand derer sie Strukturen und Muster erlernen kann, um diese für Vorhersagen zu verwenden. Zum Glück seien die Datensätze in der Thermodynamik im Gegensatz zu anderen Bereichen, wie etwa bei der Bildersuche im Web, relativ überschaubar. Andererseits verfüge die Thermodynamik über einen großen Schatz an physikalischem Wissen, physikalischen Theorien und nicht zuletzt über bereits entwickelte physikalische Modellen, die man nutzen kann. Mit der DFG-Förderung will das Team der RPTU nun hybride Modelle entwickeln, die maschinelles Lernen und physikalisches Wissen verbinden.

KI-Studien

Generative-KI – Vom Hype zur Produktivkraft

Drei Wege zu hybriden thermodynamischen Modellen

Im Rahmen der sogenannten Emmy-Noether-Gruppe, einer Nachwuchsgemeinschaft, konzentrieren sich die Wissenschaftler nun auf drei verschiedene Wege, was die Entwicklung hybrider thermodynamischer Modelle angeht. Zum einen kombinieren sie etablierte physikalische Modelle und Methoden des maschinellen Lernens. Dabei erhielten sie das Rahmenwerk des physikalischen Modells aufrecht und verwendeten ML-Verfahren, um die Parameter des physikalischen Modells zu beschreiben. Damit könne man die physikalischen Modelle deutlich breitgefächerter anwenden. Aufgrund der dünnen Datenlage fehlen nämlich häufig sehr viele Parameter, wie eben für bestimmte Stoffe oder Mischungen.

In einem zweiten Ansatz werden sie künstliche neuronale Netzwerke entwickeln und trainieren, wie man erfährt. Das Neue dabei sei, dass die Experten in die Architektur der Netzwerke explizites Wissen über physikalische Zusammenhänge integrierten, sodass sie Vorhersagen – beispielsweise physikalischen Randbedingungen oder Konsistenzkriterien – genügten.

Ein dritter Pfad wird sich schließlich damit befassen, Stoffdaten im Labor zu messen. Denn auch für die hybriden Modelle gelte, dass die Qualität derselben mit der Verfügbarkeit geeigneter Trainingsdaten stehe und falle. Die Forscher wollen diese deshalb zielgerichtet sammeln, indem sie die Versuche entsprechend planen. Dafür müssten aber zunächst geeignete Strategien entwickelt werden. Gemessen werden sollen beispielsweise dann sogenannte Diffusionskoeffizienten oder Dampf-Flüssigkeits-Gleichgewichte.

Interessant könnten die Arbeiten der Kaiserslauterer Gruppe in Zukunft für die industrielle Praxis sein, um Verfahren der chemischen, pharmazeutischen oder biotechnologischen Industrie zu optimieren. Speziell der Fakt, dass physikalisches Wissen dabei eine Rolle spielt, wird das maschinelle Lernen in der Industrie einen deutlichen Schub geben, ist man sich an der RPTU sicher.

(ID:49650556)