Schneider, A.; Fu, C.-C.; Waseda, O.; Barreteau, C.; Hickel, T.: Ab initio based models for temperature-dependent magnetochemical interplay in bcc Fe–Mn alloys. Physical Review B 103 (2), 024421 (2021)
Waseda, O.: Machine-Learning assisted Heisenberg model for systems with ill-defined magnetic interactions. Thermec 2018 Conference, Paris, France (2018)
Bekemeier, S.; Rego, C. R. C.; Mai, H. L.; Saikia, U.; Waseda, O.; Apel, M.; Arendt, F.; Aschemann, A.; Bayerlein, B.; Courant, R.et al.; Dziwis, G.; Fuchs, F.; Giese, U.; Junghanns, K.; Kamal, M.; Koschmieder, L.; Leineweber, S.; Luger, M.; Lukas, M.; Maas, J.; Mertens, J.; Mieller, B.; Overmeyer, L.; Pirch, N.; Reimann, J.; Schröck, S.; Schulze, P.; Schuster, J.; Seidel, A.; Shchyglo, O.; Sierka, M.; Silze, F.; Stier, S.; Tegeler, M.; Unger, J. F.; Weber, M.; Hickel, T.; Schaarschmidt, J.: Advancing Digital Transformation in Material Science: The Role of Workflows Within the MaterialDigital Initiative, Advanced Engineering Materials 27, (2025)
Max-Planck-Wissenschaftler kombinieren die Gewinnung, Herstellung, Mischung und Verarbeitung von Metallen und Legierungen in einem einzigen, umweltfreundlichen Schritt. Ihre Ergebnisse sind jetzt in der Zeitschrift Nature veröffentlicht.
Wissenschaftler des Max-Planck-Instituts für Eisenforschung entwickeln ein neues maschinelles Lernmodell für korrosionsresistente Legierungen. Und veröffentlichen ihre Ergebnisse in der Fachzeitschrift Science Advances
Düsseldorfer Max-Planck-Wissenschaftler diskutieren den Einsatz künstlicher Intelligenz in der Materialwissenschaft und veröffentlichen Review-Artikel in der Fachzeitschrift Nature Computational Science