Lead
Quantenmechanische DFT+U Berechnungen sind von immenser Bedeutung für die Materialforschung. Dieses Projekt wird die Machbarkeit einer Methode untersuchen, mit der atomspezifische U Korrekturparameter durch maschinelles Lernen bestimmt werden. Dies wird in Zukunft genaue, jedoch rechnerisch günstige Berechnungen von Materialeigenschaften ermöglichen.

Lay summary

Inhalt und Ziel des Forschungsprojekts

Quantenmechanische Berechnungen von Materialeigenschaften werden meistens mit Hilfe der Dichtefunktionaltheorie (DFT) durchgeführt. Wenn diese Methode auf Übergangsmetalloxide angewandt wird, sind Korrekturen nötig, wobei die sogenannte DFT+U Korrektur sehr populär ist. Für Anwendungen auf Defektstrukturen sollte jedoch der Korrekturparameter U für jedes Atom unterschiedlich sein. Dieses Projekt hat zum Ziel die zeitaufwändige Berechnung der atomspezifischen U Parameter durch maschinelles Lernen zu beschleunigen. Um die Machbarkeit zu demonstrieren werden U Parameter in TiO2 und SrMnO3 berechnet und als Lerndaten für künstliche neuronale Netze (ANN) verwendet. Der atomabhängige U Parameter kann dann mittels ANN in einer laufenden DFT+U Berechnung ohne spürbaren Mehraufwand bestimmt werden.

Wissenschaftlicher und gesellschaftlicher Kontext des Forschungsprojekts

DFT zählt zu den meistbenutzten Methoden, um Materialeigenschaften rechnerisch zu bestimmen. Viele gesellschaftlich relevante Fragestellungen wie zum Beispiel die Konversion erneuerbarer Energien oder energieeffizientere elektronische Bauteile werden mittels dieser Methode und deren DFT+U Korrektur erforscht. Dieses Projekt wird einen wichtigen Beitrag leisten, um diese Berechnungen in Zukunft genauer jedoch rechnerisch günstig durchführen zu können. Dies wird es der Forschergemeinde ermöglichen relevante Fragestellungen schneller oder realistischer zu modellieren und zu einem rascheren Fortschritt in diesen gesellschaftlich relevanten Forschungsgebieten führen.