Machine Learning-assistierte Vorhersage optischer Eigenschaften von Festkörpern

• Antragsteller: Professor Dr. Erich Runge
• Fachliche Zuordnung: Theoretische Physik der kondensierten Materie
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 537033066

Während in vielen Bereichen der Materialforschung das Paradigma des Machine Learnings (ML) sehr erfolgreich ist, trifft dies trotz großer technischer Bedeutung noch nicht auf das Design von Materialien für optische Anwendungen zu. Hauptgrund für die geringen ML-Anstrengungen bzgl. optischer Eigenschaften sind immense Schwierigkeiten in der Generation von ausreichend großen und belastbaren Datensätzen optischer Eigenschaften. Dies gilt insbesondere für die numerische Bestimmung der frequenzabhängigen dielektrischen Funktion [epsilon (omega)] als der zentralen optische Eigenschaft überhaupt. Zu ihrer numerischen Bestimmung existiert eine Hierarchie von immer zuverlässigeren, aber auch immer teureren Methoden. Man könnte von einer "Jakobsleiter der Berechnung optischer Eigenschaften" sprechen. Diese reicht von der einfachen Näherung unabhängiger Teilchen über die Linear-Response-Version der zeitabhängigen Dichtefunktionaltheorie (DFT) bis zur Lösung der Bethe-Salpeter-Gleichung. Basierend auf umfangreichen Rechnungen auf allen Stufen der Jakobsleiter sollen zum einen Prädiktoren entwickelt werden, die für große Materialklassen basierend auf den Ergebnissen einer Stufe vorhersagen, ob es nötig ist oder nicht, die nächste, deutlich Ressourcen-aufwendigere Stufe zu erklimmen. Dabei sollen in der Literatur und der Community existieren Faustregeln und Heuristiken, für welche Materialklassen welche Hierarchie-Stufen nötig sind und wo die Schwachstellen verschiedener Methoden liegen in diesem Projekt evaluiert und quantifiziert werden. Gleichwertig und parallel zu den DFT-basierten Arbeitspaketen sollen ML-Methoden und speziell Neuronale Netze (NN) verwendet werden, um auf Basis der wachsenden Projekt-Datenbank von auf verschiedenen Stufen berechneten optischen Eigenschaften immer bessere ML-basierte und hybride Prädiktoren zu entwickeln. Eine besondere Herausforderung ist dabei ML-geeignete Codierungen der dielektrischen Funktion zu finden. Beide Teilprojekte ergänzen sich, da z.B. gemäß des so genannten Active Learnings solche Systeme auf genau den Jakobsleiterstufen berechnet werden, bzgl. derer die ML-assistierten Vorhersagen besonders unsicher sind. Endziel ist neben einem vertieften Verständnis der Berechnung optischer Eigenschaften und der Weiterentwicklungen von ML-Techniken eine sehr große Datenbank optischer Eigenschaften. Bezüglich der tatsächlich berechneten Systeme ist eine Zusammenarbeit mit einer oder mehreren der großen Datenbanken (z.B. NOMAD, Materials Project) vorgesehen. Daneben sollen ab initio-trainierte NN eine sehr viel größere Datenbank von "nur" vorhergesagten optischen Eigenschaften schaffen. Diese soll zukünftig zur Realisierung geeigneter optischer Funktionalitäten durchsucht werden können. Materialien, die den Vorhersagen gemäß spezielle gewünschte Eigenschaften haben sollten, könnten dann durch den/die Nutzer/in durch Synthese oder "teure" genauere Rechnungen validiert und idealerweise technisch eingesetzt werden.

• DFG-Verfahren: Sachbeihilfen