01.10.2021
Grafiken zum Design Space

Design Space classic ML| Design Space SL

Quelle: BAM

Die Herstellung von Baumaterialien ist bisher besonders energieintensiv und alternative, klimafreundliche Materialien sind schwer zu produzieren. Das vorgestellte Paper beschreibt, wie der Einsatz von künstlicher Intelligenz (KI) die Entwicklung beschleunigen könnte.

Die Produktion von Baumaterialien trägt weltweit erheblich zu den CO2-Emissionen bei. Allein die Zementproduktion ist für etwa acht Prozent der globalen Emissionen des Treibhausgases verantwortlich.

Alternative und umweltfreundlichere Zemente ersetzen die energieintensiven Herstellungsprozesse im Brennofen durch selbstlaufende chemische Reaktionen. Ausgangstoffe und Chemikalien reagieren ohne Wärmezufuhr zu Materialien, die nahezu identische Eigenschaften wie Zement haben und dabei praktisch kein CO2 emittieren.

Allerdings ist es schwierig, ein Verständnis für die Eigenschaften der alternativen Zemente und die Bedingungen ihrer Reaktion zu erlangen. Denn Zement ist sehr komplexer Baustoff. Insbesondere die Bestandteile der CO2-freundlichen Zemente können sich je nach geologischer Herkunft stark unterscheiden und entsprechend unterschiedlich reagieren. Dies führt rein rechnerisch zu Abermilliarden von Kombinationsmöglichkeiten. Wegen dieser schieren Menge möglicher Kombinationen stößt hier die traditionelle Verbesserung von Rezepturen auf der Basis empirischer Beobachtungen im Labor an ihre Grenzen.

Künstliche Intelligenz (KI) kann helfen, Materialeigenschaften vorherzusagen. Dabei werden die empirisch beobachteten Materialeigenschaften von einem KI-Modell erlernt, um neue und potenziell bessere Produkte vorherzusagen. Allerdings benötigen auch KI-Modelle immer noch große Mengen an empirischen Daten. Gerade bei Zement ist dieser "Datenhunger" ein Problem, weil die Datenerzeugung langwierig ist.

Der Einsatz des Sequentiellen Lernens (SL) verspricht hier einen Durchbruch. Der entscheidende Unterschied zur bisherigen KI: SL sucht auch nach neuen Endprodukten jenseits der bereits bekannten und empirisch getesteten Materialien und kommt mit deutlich weniger Daten aus. SL erkennet bereits, für welche Forschung nicht zum Ziel führt und hilft vielversprechendere Experimente zu finden.

SL wurde beispielsweise bei der Entwicklung von Arzneimitteln oder metallischen Gläsern erfolgreich eingesetzt - also bei Produkten, deren Synthese schnell läuft oder die sich gut modellieren lassen. Für Zemente wären selbst mit SL jahrelange Entwicklungszyklen erforderlich, da Eigenschaften erst nach einigen Wochen Laborarbeit ermittelt werden können.

In unserer Arbeit haben wir nun gezeigt, dass es möglich ist, SL auch für die Zementforschung einzusetzen. Dazu wurde SL an die Anforderungen im Labor angepasst und durch neuartige Ansätze weiter beschleunigt. So gelang es zuverlässig, in weniger als acht Monaten geeignete klimafreundliche Materialien zu identifizieren.

Sequential learning to accelerate discovery of alkali-activated binders
Christoph Völker, R. Firdous, Sabine Kruschwitz, D. Stephan
veröffentlicht in Journal of Materials Science, Vol. 56, Seiten 15859-15881, 2021
BAM Abteilung Zerstörungsfrei Prüfung