Künstliche Intelligenz für die Materialwissenschaften

Vom 8. bis 12. September 2025 findet am KIT die AiMat Summer School 2025 zum Thema “Machine Learning for Materials” statt. Die behandelten Themen decken dabei verschiedene Anwendungen des maschinellen Lernens in der Chemie ab, wie z.B. Design und Verständnis von Materialen und ihren Eigenschaften, ML-Kraftfelder für atomistische Simulationen, Synthesevorhersagen sowie Self-Driving Labs.

AiMat group

Wir sind eine vielfältige internationale Forschungsgruppe mit einem breiten Spektrum an wissenschaftlichen Qualifikationen, die von Informatik über Chemie bis hin zu Physik reichen. In dieser Interviewserie berichten wir über unsere Erfahrungen in der AiMat-Gruppe und erzählen, warum wir Teil von AiMat geworden sind und was an der Arbeit in der Gruppe gefällt.

Wir suchen nach talentierten und motivierten jungen WissenschaftlerInnen mit einem Hintergrund in der Informatik oder den Naturwissenschaften, um das Team zu verstärken! Zurzeit sind zwei Promotionsstellen und eine Postdoc Stelle verfügbar. Interessiert?

Kurt Fuchs/HI ERN

Zusammen mit unseren Kooperationspartnern haben wir einen Workflow zur Entdeckung neuer organischer Moleküle zur Steigerung der Effizienz von Perowskit-Solarzellen veröffentlicht. Unsere Strategie verbindet die Hochdurchsatzsynthese von organischen Halbleitern zur Erzeugung großer Datensätze mit Bayes'schen Optimierungsmethoden und lässt sich auf andere Bereiche der Materialforschung übertragen, etwa auf die Suche nach neuen Batteriematerialien.

Am 3. April 2025 konnten 10 Schülerinnen in unserer Gruppe unsere neue VR-Anwendung ausprobieren. Mithilfe von VR-Brillen und haptischen Handschuhen konnten sie Moleküle nicht nur sehen sogar regelrecht "anfassen" und so die faszinierende Welt der Moleküle aus einer völlig neuen Perspektive interaktiv erkunden.

Im Sommersemester 2025 bieten wir die Vorlesung "Maschinelles Lernen für die Naturwissenschaften" mit der zugehörigen Übung sowie das Seminar "Kritische Fragestellungen der KI" an.

KI ist in aller Munde. Doch welchen Einfluss haben KI und Methoden des maschinellen Lernes auf die Naturwissenschaften? Werden sie sich nachhaltig auf die wissenschaftliche Forschung auswirken oder entsteht durch den Hype eine Blase, die irgendwann platzen wird? Im Rahmen unserer CZS Summer School möchten wir diese und andere Fragen mit unseren Referent*innen diskutieren und anschließend bei einem informellen Stehimbiss mit dem Publikum ins Gespräch kommen.

Vom 9. bis 13. September 2024 findet am KIT die AIMat Summerschool 2024 zum Thema “Machine Learning for Chemistry” statt. Die behandelten Themen decken dabei verschiedene Anwendungen des maschinellen Lernens in der Chemie ab, wie z.B. Design und Verständnis von Molekülen und ihren Eigenschaften, ML-Kraftfelder für atomistische Simulationen, Synthesevorhersagen sowie Self-Driving Labs.

On April 25th, 10 schoolgirls visited our group to try out our new VR application. The use of VR goggles and haptic gloves allowed them to not only see but also “touch” molecules and thus to interactively explore the fascinating world of molecules from a completely new perspective.

Heute würdigt die AiMat-Gruppe die großartigen wissenschaftlichen Leistungen der Doktorandinnen und Studentinnen Marlen Neubert, Yuri Koide, Yumeng Zhang, Mariana Petrova, Annika Leinweber, Laura Ruple, Klara Eckhardt, Aleksandra Hryncyszyn, Michelle Walter und viele mehr in den vergangenen Jahren. Vielen Dank an Stephanie Wolf, die uns großartig unterstützt. Wir freuen uns darauf, in den kommenden Jahren weitere Frauen in der Gruppe willkommen zu heißen!

Herzlichen Glückwunsch an Jonas Teufel zum Best Student Paper Award bei der xAI World Conference 2023! Jonas hat den Preis für seinen Vortrag mit dem Titel "MEGAN: Multi-Explanation Graph Attention Network" erhalten, in dem er die Ergebnisse unseres kürzlich veröffentlichten arXiv Artikels vorgestellt hat.

Vom 18. bis 22. September findet am KIT die GC-MAC Summer School 2023 zum Thema "Materials Acceleration Platforms (MAPs) for energy materials" statt. Die behandelten Themen beinhalten u.a. automatisierte Synthese und Charakterisierung, Integration von Simulationsmethoden in das Materialdesign und ML-Methoden für MAPs.