Institut für Digitale Materialforschung

Die Gruppe Data-driven Modelling and Artificial Intelligence des IAM-MMS am KIT spezialisiert sich auf die Weiterentwicklung, Bereitstellung und Integration von Methoden der Künstlichen Intelligenz (KI) für Anwendungen in den Materialwissenschaften und der Mechanik. In Kooperation mit den anderen Gruppen des IAM-MMS und im Rahmen von Kooperationen am KIT und mit externen Partnern stellen wir Lösungen zur Charakterisierung, Analyse und Synthese von Materialien, insbesondere Mikrostrukturen, mit Materialvehalten von der Bruchmechanik bis hin zu biologischen Prozessen bereit. Ein Großteil der Anwendungen nutzt neben experimentellen Daten, z. B. aus bildgebenden Verfahren, auch Simulationsmethoden, wie die Finite-Elemente-Methode (FEM) oder Finite-Volumen-Methode (FVM), um zusätzliche Daten physikalischer Systeme zu generieren.

Zu diesem Zweck werden physikbasierte und datengetriebene Verfahren kombiniert, z. B. in intelligenten Elementen und Lösern, um eine Dimensionsreduktion und effiziente Berechnung zu ermöglichen. Die Methoden der KI und des Maschinellen Lernens umfassen überwachte, unüberwachte, verstärkende und aktive Lern- und Optimierungsalgorithmen von der Hauptkomponentenanalyse bis hin zu künstlichen neuronalen Netzwerken aus dem Deep Learning, die zur Regression, Klassifizierung und zum Clustering eingesetzt werden. Optimierungsalgorithmen erlauben in Kombination mit dem Forschungsdatenmanagement die Implementierung von Design-of-Experiments-Prozessen, z. B. mit Bayes’scher Optimierung. Durch die interdisziplinäre Aufstellung der Gruppe, mit starker Expertise sowohl in der Data Science, wie auch in den ingenieurswissenschaftlichen Anwendungen, können auch Methoden aus dem Bereich der explainable und physics-informed KI effektiv implementiert und evaluiert werden.

Für eine effektive Umsetzung ist eine Datenplattform und ein effizientes Forschungsdatenmanagement unerlässlich. Deswegen entwickelt die Gruppe die Open-Source Python-Bibliothek CIDS (Computational Intelligence and Data Science) für Anwendungen von KI für die Materialwissenschaften und der Mechanik. Weiter bildet diese Bibliothek die Grundlage für die KI-Säule der Forschungsdatenplattform Kadi4Mat: KadiAI. Diese direkte Integration in Kadi erlaubt eine effiziente Kopplung von Daten und Physik und die Erstellung von Best-Practice-Workflows zur Umsetzung von KI-Lösungen für physikalische Problemstellungen.

• Explainable und physics-informed Modelle des maschinellen Lernens für experimentelle Untersuchungen and Simulationen von Materialien
• Kopplung datengetriebener Modelle mit physikbasierter Simulationssoftware
• Integration und Zusammenspiel von KI-Methoden und Forschungsdatenmanagement für aktives Lernen und automatisierte Versuchsplanung