„Revolutionäre“ Materialien mit Big Data

| |
1 Star2 Stars3 Stars4 Stars5 Stars

Ob Elektroautos, Smartphones oder Bio-Implantate – viele technische Innovationen basieren zu einem wesentlichen Anteil auf neuen Materialien. Und die zu finden, ist ein aufwändiger, meist evolutionärer Prozess. Moderne Big-Data-Methoden sollen da zukünftig für die nötigen „Überraschungsmomente“ sorgen.

Materialien und Werkstoffe verrichten ihre Dienste meist unbemerkt. Zu unrecht! Denn laut dem Bundesforschungsministerium stehen siebzig Prozent des Bruttosozialprodukts in westlichen Technologieländern direkt oder indirekt im Zusammenhang mit der Entwicklung neuer Materialien. Innovationen in dem Bereich sind also von enormer Wichtigkeit, leider aber auch erst die Ergebnisse langwieriger Experimente. So kennt man zum Beispiel rund 240.000 anorganische Materialien, aber nur von etwa 100 dieser Stoffe einen Teil ihrer Eigenschaften.

Max-Planck-Forscher möchten das nun mit dem Projekt „BigMax“ ändern. Dabei sollen vorhandene Messergebnisse zu Eigenschaften unzähliger Materialien nach Mustern durchsucht werden, um so den besten Werkstoff für einen bestimmten Zweck zu identifizieren.

„Mustergültige“ Datenmengen

In vielen Einrichtungen der Max-Planck-Gesellschaft (MPG) fallen bereits bei Experimenten oder Computersimulationen große Datenmengen an. So liefern Verfahren wie die Röntgenstrukturanalyse oder die Atomsondentomographie pro Minute Millionen Daten, aus denen Forscher zum Beispiel Erkenntnisse über die Anordnung von Atomen in einem Festkörper gewinnen. Und auch die in der Festkörperphysik und Chemie üblichen quantenmechanischen Rechnungen führen zu riesigen Datenvolumina. Sie dienen schon heute als Grundlage, um Aussagen über die Materialeigenschaften abzuleiten.

BigMax möchte nun aber mit neuen und verbesserten Methoden noch mehr Erkenntnisse aus solchen Daten gewinnen. Ein zentrales Ziel: die Datenmengen auf besondere Strukturen oder Muster zu untersuchen. Mit diesen völlig neuen Informationen wollen die Forscher dann etwa die Eigenschaften von Metallen und Legierungen theoretisch vorhersagbar machen oder Polymerwerkstoffe mit gewünschten Eigenschaften gezielt designen.

„Überraschende“ Materialien

Bis sich der Traum einer mehrdimensionalen Materiallandkarte erfüllt, ist es noch ein weiter Weg. Zukünftig wird die Aufgabe darin bestehen, die mit Big-Data-Analysen gefundenen Patterns, auch auf solche Materialien anzuwenden, die noch gar nicht analysiert wurden.

Diese Methode spart nicht nur Zeit und Geld. Sie führt auch viel leichter zu unkonventionellen Lösungen, denn im Experiment geht man üblicherweise von etablierten Kriterien aus. Man sucht also zum Beispiel vor allem in jener Substanzklasse nach Supraleitern, in der man schon einmal fündig geworden ist. Nicht gerade die beste Vorraussetzung für „Revolutionen“. Dagegen kann man künftig vielleicht in Daten, die im Zuge der Forschung an Solarzellen erzeugt wurden, auch auf neue Thermoelektrika stoßen.

 

 

Materialien (Bild: MPG)

Mit Big-Data-Algorithmen soll zukünftig der optimale Werkstoff für einen bestimmten Zweck identifiziert werden. (Bild: MPG).