Koreanisches Forschungsstipendium fördert KI-gestützte Legierungsentwicklung
National Research Foundation of Korea zeichnet Postdoktoranden Jin-Young Lee aus
Auf einen Blick
- Auszeichnung: Nurturing Next-generation Researchers Fellowship der National Research Foundation of Korea (NRF)
- Preisträger: Dr. Jin-Young Lee, Postdoktorand am Max-Planck-Institut für Nachhaltige Materialien
- Forschungsthema: Heterogene Datensätze fassen grundlegend unterschiedliche Werkstoffsysteme und Verarbeitungsrouten zusammen. Dadurch entstehen verborgene Verzerrungen und irreführende Korrelationen, die eine zuverlässige KI-gestützte Legierungsentwicklung erschweren.
- Forschungsidee: Kombination von Ursache-Wirkung Analysen und großen Sprachmodellen, um verborgene Muster in heterogenen Datensätzen aufzudecken und strukturierte Daten für eine verbesserte KI-gestützte Werkstoffentwicklung zu gewinnen.
Die National Research Foundation of Korea (NRF) hat Dr. Jin-Young Lee, Postdoktorand am Max-Planck-Institut für Nachhaltige Materialien, mit einem Nurturing Next-Generation Researchers Fellowship ausgezeichnet. Das Stipendium wird jährlich an lediglich 50 Forschende aus allen Ingenieur- und Naturwissenschaften in Korea vergeben und unterstützt Forschungsaufenthalte an führenden internationalen Forschungseinrichtungen.
Mit seinem Projekt möchte Lee eine KI-gestützte Methodik entwickeln, die heterogene Werkstoffdaten so interpretieren kann, dass Wissenschaftlerinnen und Wissenschaftler daraus Designprinzipien für neue, maßgeschneiderte Legierungen entwickeln können.
Die Herausforderung heterogener Daten
Moderne Verfahren des maschinellen Lernens können große Mengen experimenteller Daten analysieren und Millionen möglicher Legierungszusammensetzungen nach gewünschten Eigenschaften durchsuchen. Der Erfolg solcher Ansätze hängt jedoch entscheidend von der Qualität der zugrunde liegenden Daten ab.
Viele Legierungsdatensätze werden aus Hunderten wissenschaftlicher Publikationen zusammengeführt. Dies schafft zwar eine wertvolle Wissensbasis, bringt aber auch Herausforderungen mit sich: Die Daten stammen häufig aus unterschiedlichen Legierungssystemen, Verarbeitungsrouten, experimentellen Methoden und Forschungszielen. Dadurch entstehen hochgradig heterogene Datensätze, die verborgene Untergruppen mit grundlegend unterschiedlichen Eigenschaften enthalten können.
„Wenn solche zusammengeführten Datensätze als Ganzes analysiert werden, können wichtige Zusammenhänge verzerrt oder sogar vollständig verborgen bleiben“, erklärt Lee. „Dies kann dazu führen, dass Forschende Schlussfolgerungen ziehen, die für einzelne Werkstoffsysteme gar nicht gelten.“
Verborgene Trends sichtbar machen
Im Mittelpunkt des Projekts steht ein statistisches Phänomen, das als Simpson-Paradoxon bekannt ist. Dabei kann ein Trend, der in einem gesamten Datensatz sichtbar erscheint, verschwinden oder sich sogar umkehren, sobald die Daten in sinnvolle Untergruppen aufgeteilt werden. Herkömmliche Datenanalysen können dadurch wichtige Designprinzipien übersehen oder irreführende Vorhersagen treffen.
KI und Kausalitäten kombinieren
Um diese Herausforderung zu bewältigen, entwickelt Lee eine neue Methodik, die große Sprachmodelle, Kausalitätsanalysen und Informatik miteinander verbindet.
Der Ansatz beginnt mit großen Sprachmodellen (Large Language Models, LLMs), die strukturierte Informationen automatisch aus wissenschaftlichen Publikationen ziehen. Anschließend werden die Datensätze analysiert, um die Ursachen beobachteter Materialeigenschaften zu identifizieren. Dies ermöglicht es, verborgene Untergruppen zu identifizieren und die Faktoren aufzudecken, die das beobachtete Materialverhalten tatsächlich beeinflussen.
Anstatt nach einem einzigen universellen Trend zu suchen, soll die Methodik systemspezifische Zusammenhänge innerhalb verschiedener Legierungsklassen und ihrer jeweiligen Mikrostrukturbereiche sichtbar machen. Auf dieser Grundlage können maßgeschneiderte Designstrategien für die einzelnen Untergruppen entwickelt werden.
Langfristig soll der Ansatz Forschenden dabei helfen, über reine Korrelationen hinauszugehen und die Ursache-Wirkungs-Beziehungen zu verstehen, die die Eigenschaften und Leistungsfähigkeit von Werkstoffen bestimmen.
