Die Materialinformatik ist ein Forschungsgebiet, das die Prinzipien der Informatik und Datenwissenschaft auf die Materialwissenschaft und -technik anwendet, um das Verständnis, die Anwendung, die Auswahl , die Entwicklung und die Entdeckung von Materialien zu verbessern. Der Begriff „Materialinformatik“ wird in der Fachwelt häufig synonym mit „Datenwissenschaft“, „maschinellem Lernen“ und „künstlicher Intelligenz“ verwendet. Es handelt sich um ein aufstrebendes Feld mit dem Ziel, vielfältige Materialdaten schnell und zuverlässig zu erfassen, zu verwalten, zu analysieren und zu verbreiten. Dadurch sollen Zeit und Risiko bei der Entwicklung, Produktion und dem Einsatz neuer Materialien, die in der Regel mehr als 20 Jahre dauern, deutlich reduziert werden. [ 1 ] [ 2 ] [ 3 ] Dieses Forschungsgebiet beschränkt sich nicht auf traditionelle Auffassungen des Verhältnisses zwischen Materialien und Information. Zu den engeren Anwendungsbereichen gehören beispielsweise die kombinatorische Chemie , die Prozessmodellierung , Materialdatenbanken, das Materialdatenmanagement und das Produktlebenszyklusmanagement . Die Materialinformatik vereint diese Konzepte, geht aber auch darüber hinaus und birgt das Potenzial, durch die Anwendung von Erkenntnissen aus Daten, die an einem Materialtyp gewonnen wurden, auf andere Materialtypen tiefere Einblicke und ein umfassenderes Verständnis zu ermöglichen. Durch die Erfassung geeigneter Metadaten lässt sich der Wert jedes einzelnen Datenpunkts erheblich steigern.

Datenbanken

Datenbanken sind für jede Informatikforschung und -anwendung unerlässlich. In der Materialinformatik existieren zahlreiche Datenbanken mit sowohl experimentell gewonnenen empirischen als auch rechnerisch ermittelten theoretischen Daten. Die Gewinnung von Big Data für maschinelles Lernen gestaltet sich insbesondere bei experimentellen Daten schwierig, da es an einem Standard für die Datenberichterstattung mangelt und die experimentellen Bedingungen variabel sind. Dieser Mangel an Big Data hat zu verstärkten Bemühungen um die Entwicklung von Machine-Learning-Techniken geführt, die große Datensätze nutzen. Demgegenüber existieren große, einheitliche Datenbanken mit theoretischen Dichtefunktionaltheorie-Berechnungen (DFT). Diese Datenbanken haben sich im Hochdurchsatz-Materialscreening und der Materialentwicklung bewährt. Einige gängige DFT-Datenbanken und Hochdurchsatz-Tools sind im Folgenden aufgeführt:

Jenseits von Rechenmethoden?

Das Konzept der Materialinformatik wird von der Materials Research Society (MRS) behandelt . So war die Materialinformatik beispielsweise Thema der Dezemberausgabe 2006 des MRS Bulletin . Die Ausgabe wurde von John Rodgers von Innovative Materials, Inc. und David Cebon von der Universität Cambridge herausgegeben , die den „hohen Nutzen der Entwicklung von Methoden zur Beschleunigung des Materialeinsatzes und damit zur Einsparung von Millionen von Investitionsdollars“ beschrieben.

Die Herausgeber kritisierten die eingeschränkte Definition der Materialinformatik, die sich primär auf computergestützte Methoden zur Datenverarbeitung und -interpretation konzentriert. Sie führten aus, dass „spezielle Informatikwerkzeuge zur Datenerfassung, -verwaltung, -analyse und -verbreitung“ sowie „Fortschritte in der Rechenleistung, verbunden mit computergestützter Modellierung und Simulation sowie Datenbanken zu Materialeigenschaften“, eine derart beschleunigte Integration von Materialien ermöglichen werden.

Eine umfassendere Definition der Materialinformatik geht über die Anwendung computergestützter Methoden zur Durchführung gleicher Experimente hinaus [ 4 ] und betrachtet sie als Rahmenwerk, in dem eine Messung oder Berechnung ein Schritt in einem informationsbasierten Lernprozess ist, der die kollektiven Ressourcen nutzt, um eine höhere Effizienz bei der Erkundung zu erzielen. Bei geeigneter Organisation überschreitet dieses Rahmenwerk die Grenzen einzelner Materialien, um grundlegende Erkenntnisse über die physikalischen, mechanischen und ingenieurwissenschaftlichen Eigenschaften [ 5 ] zu gewinnen.

Herausforderungen

Viele glauben zwar an die Zukunft der Informatik in der Materialentwicklung und im Skalierungsprozess, doch bestehen weiterhin zahlreiche Herausforderungen. Hill et al. schreiben: „Die Materialwissenschaft steht heute vor großen Herausforderungen bei der Umsetzung dieses datenbeschleunigten Forschungsparadigmas. Dazu gehören unter anderem die Vielfalt der Forschungsbereiche innerhalb der Materialwissenschaft, fehlende Datenstandards und mangelnde Anreize zum Datenaustausch. Dennoch verändert sich die Landschaft rasant, was der gesamten Materialforschung zugutekommen dürfte.“ [ 6 ] Diese anhaltende Spannung zwischen traditionellen Methoden der Materialentwicklung und dem Einsatz computergestützter, maschineller Lern- und Analyseverfahren wird voraussichtlich noch einige Zeit bestehen bleiben, da die Materialindustrie einige der kulturellen Barrieren überwinden muss, die für die vollständige Integration dieser neuen Denkweisen notwendig sind.

Analogie aus der Biologie

Die übergeordneten Ziele der Bioinformatik und Systembiologie bieten hierfür eine hilfreiche Analogie. Andrew Murray von der Harvard University äußert die Hoffnung, dass ein solcher Ansatz uns vor dem Zeitalter von „einem Doktoranden, einem Gen, einer Promotion“ bewahren wird. [ 7 ] Ähnlich verhält es sich mit der Materialinformatik: Sie will uns vor dem Zeitalter von „einem Doktoranden, einer Legierung, einer Promotion“ bewahren. Solche Ziele erfordern jedoch komplexere Strategien und Forschungsparadigmen als die Anwendung von Data-Science-Methoden auf die Aufgaben, die Studierende derzeit bearbeiten.

Siehe auch

Referenzen

  1. ^ Mulholland, Gregory; Paradiso, Sean (23. März 2016). „Perspektive: Materialinformatik über den gesamten Produktlebenszyklus: Auswahl, Herstellung und Zertifizierung“ . APL Materials . 4 (5): 053207. Bibcode : 2016APLM....4e3207M . doi : 10.1063/1.4945422 .
  2. ^ Rickman, JM; Lookman, T.; Kalinin, SV (15. April 2019). „Materialinformatik: Von der atomaren Ebene zum Kontinuum“ . Acta Materialia . 168 : 473–510 . Bibcode : 2019AcMat.168..473R . doi : 10.1016/j.actamat.2019.01.051 . OSTI 1875378. S2CID 127078420 .  
  3. Frydrych , K.; Karimi, K.; Pecelerowicz, M.; Alvarez, R.; Dominguez-Gutiérrez, FJ; Rovaris, F.; Papanikolaou, S. (2. Oktober 2021). „Materialinformatik für die mechanische Verformung: Ein Überblick über Anwendungen und Herausforderungen“ . Materials . 14 (19): 5764. Bibcode : 2021Mate...14.5764F . doi : 10.3390 / ma14195764 . PMC 8510221. PMID 34640157 .  
  4. ^ "informaticsresearch.net" . Archiviert vom Original am 29.04.2007 . Abgerufen am 10.03.2007 .
  5. ^ Papanikolaou, S. (27. Mai 2019). „Mikrostrukturelle inelastische Fingerabdrücke und datenreiche Vorhersagen von Plastizität und Schädigung in Festkörpern“. Computational Mechanics . 66 : 141–154 . arXiv : 1905.11289 . doi : 10.1007/s00466-020-01845-x . S2CID 254038042 . 
  6. ^ Hill, Joanne; Mulholland, Gregory; Persson, Kristin; Seshadri, Ram; Wolverton, Chris; Meredig, Bryce (4. Mai 2016). „Materialwissenschaft mit umfangreichen Daten und Informatik: Neue Möglichkeiten eröffnen“ . MRS Bulletin . 41 (5): 399–409 . Bibcode : 2016MRSBu..41..399H . doi : 10.1557/mrs.2016.93 .
  7. ^ "Geschichten der Zellen: Die Amerikanische Gesellschaft für Zellbiologie San Francisco (基础医学)" .
  • Kapitel 5: Die Bedeutung von Daten [1] bei der Bewältigung extremer Anforderungen: Die Erfüllung der wachsenden Nachfrage nach langlebigen Polymermatrix-Verbundwerkstoffen [2]
  • MRS Bulletin: Materials Informatics, Band 31, Nr. 12. [3]