
Überblick über das Framework für aktives Lernen zur Entwicklung von Hochentropie-Legierungen. Das Framework kombiniert Modelle für maschinelles Lernen, auf der Dichtefunktionaltheorie basierende Berechnungen, thermodynamische Simulationen und experimentelles Feedback. (Bild: Science)
Neuartige Werkstoffe sind der Schlüssel für die Transformation zu einer nachhaltigeren Wirtschaft. Die Suche nach neuen Werkstoffen, die die Anforderungen einer spezifischen Technologie erfüllen, sowie deren Design sind allerdings zeit- und kostenintensiv. Insbesondere bei Hochentropie-Legierungen, die aus festen Lösungen mehrerer Hauptelemente bestehen, wird die Anzahl möglicher Kombinationen so groß, dass nicht mehr mit Methoden von Versuch und Irrtum gearbeitet werden kann. Ein internationales Forschungsteam hat nun ein Framework für aktives maschinelles Lernen in einem geschlossenen Regelkreis entwickelt, dass die experimentelle Effizienz bei der Identifizierung neuer Legierungen mit gewünschten Eigenschaften um Größenordnungen verbessert und so Zeit und Geld spart. Weiterlesen