Projektdaten

---

Machine Learning-assistierte Vorhersage optischer Eigenschaften von Festkörpern

---

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 optischen 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. 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.