Oberflächen nach Maß
Modellierung und Simulation
Datenbasierte Methoden für das Verständnis und die Beschleunigung von Materialprozessen
Modellierung und Simulation sind zentrale Werkzeuge am IOM, um chemisch-physikalische Prozesse zu verstehen und gezielt zu steuern. Durch die Kombination physikbasierter Modelle mit Methoden des maschinellen Lernens können komplexe Prozesse analysiert und Materialentwicklungen deutlich beschleunigt werden.
Als Querschnittseinheit unterstützt der Bereich die Forschung am gesamten Institut – von der Grundlagenanalyse bis zur anwendungsnahen Prozessoptimierung. Dabei werden sowohl Materialien auf atomarer Ebene als auch technische Prozesse modelliert und durch datengetriebene Methoden gezielt weiterentwickelt.
Modellierung chemisch-physikalischer Prozesse
Verständnis von chemischen und physikalischen Prozessen durch Simulationen
- Simulation atomistischer Prozesse auf molekularer und materialwissenschaftlicher Ebene
- Modellierung plasmaphysikalischer Prozesse in Beschichtungs- und Bearbeitungstechnologien
Einsatz von KI und maschinellem Lernen
Datengetriebene Modelle und Vorhersagen
- Nutzung von Machine-Learning-Methoden zur Beschleunigung von Simulationen
- Entwicklung datengetriebener Modelle für komplexe Materialsysteme und Prozesse
Beitrag zur Material- und Prozessentwicklung
Von der Simulation zur Anwendung
- Unterstützung bei der gezielten Entwicklung neuer Materialien und Oberflächen
- Optimierung von Prozessparametern und Herstellungsverfahren
- Verkürzung von Entwicklungszyklen durch Simulation statt trial-and-error
- Enge Verzahnung mit experimentellen Arbeiten am IOM
Rolle als strategische Querschnittseinheit
Integration und institutsweite Wirkung
- Verbindung von Materialverständnis, Prozessmodellierung und Optimierung
- Integration von Simulation, Experiment und datengetriebenen Methoden
- Kontinuierlicher Ausbau im Rahmen der strategischen Entwicklung des Instituts
- Unterstützung aller Forschungsbereiche des IOM
Modellierung chemisch-physikalischer Prozesse
Verständnis von chemischen und physikalischen Prozessen durch Simulationen
- Simulation atomistischer Prozesse auf molekularer und materialwissenschaftlicher Ebene
- Modellierung plasmaphysikalischer Prozesse in Beschichtungs- und Bearbeitungstechnologien
Forschungsthemen im Überblick
Modellierung von Plasmaprozessen
Plasmaprozesse simulieren und verstehen – Grundlage für gezielte Materialherstellung und -bearbeitung.
Atomistische Simulationen und KI-gestützte Materialmodellierung
Materialeigenschaften auf atomarer Ebene analysieren und gezielt vorhersagen.
Ausgewählte Forschungsbeispiele
Molekulardynamik zur Erklärung komplexer Lösungsmittelsysteme
Struktur-Eigenschafts-Beziehungen auf atomarer Ebene verstehen
Stark eutektische Lösungsmittel gelten als vielversprechende Alternativen zu klassischen Lösungsmitteln. Die Ursache grundlegender Eigenschaften, wie zum Beispiel der niedrige Schmelzpunkt, sind auf atomistischer Ebene immer noch nicht verstanden.
Am IOM werden solche Systeme mithilfe von Molekulardynamiksimulationen systematisch untersucht. Anhand einer homologen Stoffreihe konnte gezeigt werden, dass die Einbettung des Anions in das Wasserstoffbrückennetzwerk direkt mit dem nichtidealen Mischungsverhalten korreliert.
Ergebnis:
- atomistisches Verständnis komplexer Flüssigkeitssysteme
- Erklärung experimenteller Effekte durch Simulation
- Grundlage für die gezielte Entwicklung neuer Materialien und Prozesse
KI-gestütztes Screening molekularer Wechselwirkungen
Wasserstoffbrücken schnell und präzise vorhersagen
Die Bewertung nichtkovalenter Wechselwirkungen – etwa von Wasserstoffbrücken – ist zentral für viele Prozesse in Chemie, Katalyse und Materialwissenschaft. Quantenchemische Verfahren, wie die Dichtefunktionaltheorie, können jedoch nicht direkt die Größe nichtkovalenter Wechselwirkungen bestimmen.
Deshalb wurde am IOM ein Machine-Learning-Modell entwickelt, das auf Basis semiempirischer Daten (z. B. Partialladungen und Bindungsordnungen) die Energie solcher Wechselwirkungen mit hoher Genauigkeit vorhersagen kann.
Das Modell ermöglicht es, komplexe Systeme effizient zu analysieren und gezielt zu optimieren – etwa bei Reaktionsmechanismen, der Wirkstoffentwicklung oder Materialdesign.
Ergebnis:
- Vorhersage innerhalb der chemischen Genauigkeit
- Verfahren zum effizienten Screenen von Wasserstoffbrücken auf einem Laptop
- Breiter Einsatz in Katalyse, Materialverständnis bis Wirkstoffdesign
