Verbundprojekt: Flexible Automatisierung & maschinelles Lernen zur Kommerzialisierung optoelektronischer Bauteile. Teilvorhaben: Integration Software, Entwicklung von Methoden zur simultanen Optimierung v. Ausgangsmaterialien

FLAIM ist ein Gemeinschaftsprojekt von sechs Organisationen in Deutschland und Kanada, in dem flexible Automatisierung, Künstliche Intelligenz (KI) und maschinelles Lernen (ML) kombiniert werden, um die Entwicklung von Materialien und Molekülen für elektrochromen Fenster sowie organische Leuchtdioden (OLEDs) zu beschleunigen. Das KIT übernimmt im FLAIM Projekt die Entwicklung von KI- und ML-Methoden, zum einem zur Vorhersage von Material- und Deviceeigenschaften von OLED und elektrochomen Materialien, und zum anderen zur Kommunikation und Steuerung der geplanten robotischen Plattformen. Eine der Herausforderungen im Bereich der Autonomisierung und KI-Steuerung von experimentellen Plaftformen liegt in der Verbindung zwischen existierenden Methoden der Bayes’schen Optimierung und neu entwickelten Machine Learning Methoden zur Vorhersage von Materialeigenschaften. Um diese Herausforderung anzugehen, soll in diesem Projekt die Kombination von Bayes’schen Methoden mit bereits bestehendem Vorwissen und alternativen Datenquellen kombiniert werden, indem schnelle aber ggf. approximative Simulationsmethoden sowie ML Surrogat-Modelle zur Vorhersage von Materialeigenschaften in Verfahren der Bayes’schen Optimierung integriert werden. Auf Seite der KI- und ML-Methodenentwicklung am KIT werden insbesondere moderne, graph-basierte Regressionsmodelle zur Vorhersage von Molekül- und Materialeigenschaften weiterentwickelt und auf OLED bzw. elektrochrome Materialien angepasst. Insbesondere bei den elektrochromen Materialien ergeben sich Herausforderungen im Bereich der Methodenentwicklung für Materialgemische sowie amorphe oder teilweise flüssige Materialien und Elektrolyte. Hierzu werden im Projekt verallgemeinerte graph-basierte neuronale Netze entwickelt und getestet, die Materialgemische modellieren und charakterisieren können.