Inverses Design von Metamaterialien

Das inverse Design von Metamaterialien zielt darauf ab, Mikrostrukturen gezielt so zu entwickeln, dass vorgegebene makroskopische Materialeigenschaften erreicht werden. In diesem Projekt werden Deep-Learning-Methoden eingesetzt, um komplexe Struktur-Eigenschafts-Beziehungen effizient zu erfassen und für die datengetriebene Materialentwicklung nutzbar zu machen.

Am Beispiel poröser Medien werden generative neuronale Netzwerke, insbesondere property-variational autoencoder (pVAE), genutzt, um 3D-Mikrostrukturen in einem latenten Raum zu repräsentieren, gezielt zu variieren und hinsichtlich gewünschter Eigenschaften zu optimieren. Dadurch können neue Materialdesigns effizient erzeugt werden, ohne jeden Kandidaten vollständig numerisch simulieren zu müssen.

Die laufende Entwicklung erweitert diesen Ansatz auf weitere Materialklassen, insbesondere auf das inverse Design von Metalllegierungen. Ziel ist die Entwicklung maßgeschneiderter Metamaterialien für unterschiedliche technische Anwendungen.

Das Projekt erfolgt in Kooperation mit Prof. Aldakheel, LU Hannover.

Zurück