TY - GEN A1 - George, Janine ED - Bastian, P. ED - Dranzlmüller, D. ED - Brüchle, H. ED - Mathias, G. T1 - Accelerated Materials Discovery with Automation and Machine­Learned Chemical Knowledge N2 - This project aims to accelerate the search for new materials (e.g., for thermoelectric applications, battery materials, magnets, and other materials classes) based on ab initio high­throughput studies. High­throughput searches are typically restricted to known materials. This project explores strategies (data­driven chemical heuristics in subproject 1 and machine­learned interatomic potentials in subproject 2) to go beyond current database entries and include such computationally demanding properties in high­throughput searches. To accomplish each subproject, we develop automated workflows for high­throughput computations and provide large open databases of computed materials properties to the research community. KW - Automation KW - Chemically Complex Materials KW - Machine Learning KW - Machine-Learned Interatomic Potentials KW - Workflows PY - 2024 UR - https://doku.lrz.de/files/10745976/1136429625/1/1731329162337/2024_SuperMUC-Results-Reports.pdf SN - 978-3-9816675-6-1 SP - 72 EP - 75 AN - OPUS4-61618 LA - eng AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - GEN A1 - George, Janine T1 - Materialinformatik N2 - Die Materialinformatik ermöglicht es, vorhandenes/etabliertes chemisches Wissen zu überprüfen, aber auch neues Wissen zu generieren. Zu diesem Zweck wurden automatisierte Methoden entwickelt, die es ermöglichen, große Datenbanken mit Materialeigenschaften zu berechnen. Diese Datenbanken mit berechneten Eigenschaften können nun mit Datenanalysetechniken und maschinellem Lernen ausgewertet werden. Unsere Entwicklungen ermöglichen es insbesondere, die Analyse der chemischen Bindung mit anderen Materialeigenschaften in großem Maßstab zu kombinieren. Auf der Grundlage von Deskriptoren für chemische Bindungen haben wir die ersten Schritte zur Entwicklung neuer chemischer Regeln unternommen. Daneben entwickeln wir weitere Programmcodes, die die Tätigkeiten in der Materialinformatik deutlich erleichtern KW - Materialdesign KW - Maschinelles Lernen KW - Automatisierung KW - Hochdurchsatz KW - Workflows KW - Materialeigenschaften PY - 2024 SN - 978-3-8007-6472-3 SP - 14 EP - 32 CY - Berlin AN - OPUS4-62256 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER -