Die Teilnehmenden lernen, wie generative KI für die Vorhersage, Simulation und Gestaltung neuer Materialien eingesetzt werden kann. Sie analysieren Materialanforderungen, nutzen KI-Tools und entwickeln erste eigene Innovationsansätze.
Grundlagen generativer KI in der Materialentwicklung
Unterschied zu klassischer Simulations- und Laborforschung
Überblick über Tools wie Materials Project, DeepMind GNoME, IBM RXN
Eigenschaftsvorhersage und Materialsimulation
Nutzung KI-gestützter Modelle zur Abschätzung mechanischer, thermischer oder chemischer Eigenschaften
Simulation molekularer Strukturen und Materialverhalten unter Belastung
Potenziale zur Beschleunigung von Machbarkeitsstudien
Design neuartiger Materialien mit KI
Generative KI zur Entwicklung neuer Werkstoffklassen (z. B. Leichtbaumaterialien, Supraleiter)
Nutzung von Inversen Designs zur gezielten Eigenschaftssteuerung
Kombination aus Simulation, Synthesevorschlägen und Labordaten
Datenquellen, Trainingsdaten und Materialdatenbanken
Bedeutung von strukturierten Daten für die KI-gestützte Entwicklung
Nutzung frei zugänglicher und firmeneigener Datenquellen
Herausforderungen bei der Datenharmonisierung und Qualitätssicherung
Automatisierung in Synthese und Laborsystemen
KI-gesteuerte Experimente: Robotic Labs und Closed-Loop-Synthesen
Generative KI zur Steuerung von Syntheseparametern und Reaktionsketten
Verbindung von Laborrobotik und Echtzeitdatenanalyse
Anwendungen in Industrie und Produktion
Identifikation neuer Materialien für Batterien, Halbleiter, Verpackungen
Einsatz in Automobilindustrie, Elektronik, Bauwesen oder Medizintechnik
Bewertung von Produktionskosten, Skalierbarkeit und Lebenszykluseigenschaften
Nachhaltigkeit und Kreislaufwirtschaft
Entwicklung umweltfreundlicher und recyclingfähiger Werkstoffe
Optimierung von Materialien in Bezug auf CO2-Fußabdruck, Lebensdauer und Schadstoffvermeidung
Bewertung von Stoffströmen und Materialkreisläufen durch KI
Ethische und regulatorische Anforderungen
Reproduzierbarkeit und Dokumentation von KI-generierten Materialvorschlägen
Verantwortung für Laborergebnisse und Auswirkungen neuer Werkstoffe
Sicherheitsbewertung und regulatorische Zulassungsverfahren
Übung:
Die Teilnehmenden wählen eine Materialdatenbank (z. B. Materials Project, MatWeb) und analysieren deren Struktur, verfügbare Parameter und Schnittstellen für KI-gestützte Entwicklung. Anschließend recherchieren sie ein passendes generatives KI-Tool, das mit solchen Daten kompatibel ist, und dokumentieren ein konkretes Anwendungsszenario für die Kombination aus Datenquelle und Modell.
Dauer/zeitlicher Ablauf:
2 Tage
Zielgruppe:
Personen aus Forschung, Entwicklung, Werkstofftechnik, Nachhaltigkeitsmanagement oder Produktionsplanung, die den Einsatz generativer KI in der Materialentwicklung verstehen und für strategische Innovationsarbeit nutzen möchten.
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern.
Diese Cookies werden nicht automatisiert gesetzt.
Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren.
Weitere Informationen finden Sie hier.
