Quelle: Janine George
Viele Anwendungen im Bereich der erneuerbaren Energien erfordern die Entwicklung maßgeschneiderter und verbesserter Materialien. Die Forschungsgruppe um Prof. Dr. Janine George befasst sich mit Datenanalyse, maschinellem Lernen und Hochdurchsatzrechnungen für Suche und Design neuer Materialien und ergänzt damit das wissenschaftliche Portfolio der Abteilung Materialchemie. Neben ihrer Tätigkeit als Leiterin der Nachwuchsgruppe wurde Janine George im September 2023 als Professorin für Materialinformatik an die Friedrich-Schiller-Universität Jena berufen. Aufgrund ihrer herausragenden Leistung wurde sie im Dezember 2023 zudem als eine von vier Jungwissenschaftler:innen der Stiftung Werner-von-Siemens-Ring geehrt. 2024 erhielt Janine George vom Europäischen Forschungsrat (ERC) einen Starting Grant in Höhe von rund 1,5 Millionen Euro. Die Förderung unterstützt für fünf Jahre ihr Forschungsprojekt „Multibonds“ und die Arbeit der Nachwuchsgruppe. Die Gruppe wurde ursprünglich als BAM-interne Nahwuchsgruppe mit entsprechender Förderung gegründet.
Team
Die Gruppe besteht aus Expert*innen für ab initio Rechnungen, die Analyse der chemischen Bindung und der Schwingungseigenschaften. Janine George hat die Forschung der Gruppe in einem Seminar der Materials Project-Seminarreihe vorgestellt.
Forschungsschwerpunkte
Neue chemische Heuristiken
Die Gruppe arbeitet an der Erprobung und Entwicklung chemischer Heuristiken (intuitive Regeln), um das Wissen und Verständnis in der Festkörperchemie und -physik zu erweitern.1,2 Hierbei werden geometrische und quantenchemische Deskriptoren für chemische Umgebungen verwendet. Für letztere entwickelt die Gruppe Open-Source Werkzeuge zur automatischen Bindungsanalyse.3–5
Hochdurchsatzrechnungen und Automatisierungen
Für die Entwicklung neuer chemischer Heuristiken ist es nötig, zuverlässig berechnete Materialdaten in großer Menge vorliegen zu haben. Hier entwickelt die Gruppe Workflows und Methoden für Hochdurchsatzrechnungen, um solche Rechnungen zuverlässig durchzuführen.3,5 Die Gruppe trägt unter anderem regelmäßig mit eigenen Entwicklungen zu bekannten Open-Source Materialinformatik-Codes bei, wie bspw. Pymatgen oder Atomate bzw. Atomate2 und verfügt über viel Expertise mit diesen Codes.
Schwingungseigenschaften
Schwingungseigenschaften spielen eine wichtige Rolle für die Stabilität und den Wärmetransport von Materialien. Beide Materialeigenschaften sind besonders wichtig für den sicheren Einsatz von Materialien. Hier beschäftigt sich die Gruppe mit der Vorhersage solcher Daten, um das maschinelle Lernen solcher Eigenschaften voranzutreiben.6–8
Methoden und Workflows
Das Team entwickelt folgende Methoden und Workflows:
- Ab initio Simulationen für Materialien und Moleküle
- Ab initio Berechnung von Schwingungseigenschaften von kristallinen Materialien
- Materialdesign für funktionale Materialien
- Workflow- und Automatisierungsentwicklung von ab initio Rechnungen
- Entwicklung von geometrischen und auf quantenchemischer Bindungsanalyse basierenden Materialdeskriptoren
- Datenanalyse und maschinelles Lernen von Materialeigenschaften
Förderung
Die Nachwuchsgruppe von Janine George wird gefördert von der BAM (bis Ende 2025) und dem ERC Starting Grant der Europäischen Union (2025-2030).
References
(1) George, J.; Waroquiers, D.; Di Stefano, D.; Petretto, G.; Rignanese, G.; Hautier, G. The Limited Predictive Power of the Pauling Rules. Angew. Chem. Int. Ed. 2020, 59 (19), 7569–7575.
https://onlinelibrary.wiley.com/doi/10.1002/anie.202000829.
(2) George, J.; Hautier, G. Chemist versus Machine: Traditional Knowledge versus Machine Learning Techniques. Trends Chem. 2021, 3 (2), 86–95.
https://doi.org/10.1016/j.trechm.2020.10.007.
(3) George, J. Automation in DFT-Based Computational Materials Science. Trends Chem. 2021, 3 (9), 697–699.
https://doi.org/10.1016/j.trechm.2021.07.001.
(4) LobsterPy. LobsterPY.
https://github.com/JaGeo/LobsterPy.
(5) George, J.; Petretto, G.; Naik, A.; Esters, M.; Jackson, A. J.; Nelson, R.; Dronskowski, R.; Rignanese, G.-M.; Hautier, G. Automated Bonding Analysis with Crystal Orbital Hamilton Populations. ChemPlusChem 2022, e202200123, DOI: 10.1002/cplu.202200123.
https://doi.org/10.1002/cplu.202200123.
(6) George, J.; Hautier, G.; Bartók, A. P.; Csányi, G.; Deringer, V. L. Combining Phonon Accuracy with High Transferability in Gaussian Approximation Potential Models. J. Chem. Phys. 2020, 153 (4), 044104.
https://doi.org/10.1063/5.0013826.
(7) Hanus, R.; George, J.; Wood, M.; Bonkowski, A.; Cheng, Y.; Abernathy, D. L.; Manley, M. E.; Hautier, G.; Snyder, G. J.; Hermann, R. P. Uncovering Design Principles for Amorphous-like Heat Conduction Using Two-Channel Lattice Dynamics. Materials Today Physics 2021, 100344.
https://doi.org/10.1016/j.mtphys.2021.100344.
(8) Bernges, T.; Hanus, R.; Wankmiller, B.; Imasato, K.; Lin, S.; Ghidiu, M.; Gerlitz, M.; Peterlechner, M.; Graham, S.; Hautier, G.; Pei, Y.; Hansen, M. R.; Wilde, G.; Snyder, G. J.; George, J.; Agne, M. T.; Zeier, W. G. Considering the Role of Ion Transport in Diffuson-Dominated Thermal Conductivity. Advanced Energy Materials 2022, 12, 2200717.
https://doi.org/10.1002/aenm.202200717.
Quelle: ERC
Project MultiBonds (grant agreement Nº 101161771) is being supported by an ERC Starting Grant, funded by the European Union. Views and opinions expressed are however those of the author(s) only and do not necessarily reflect those of the European Union or the European Research Council Executive Agency. Neither the European Union nor the granting authority can be held responsible for them.