Bitte wählen Sie den gewünschten Projektzeitraum:
- Juli 2026
- Januar 2026
- Juli 2025
- Januar 2025
- Juli 2024
- Januar 2024
- Juli 2023
- Januar 2023
- Juli 2022
- Januar 2022
- Juli 2021
- Januar 2021
- Juli 2020
- Januar 2020
- Juli 2019
- Januar 2019
- Juli 2018
- Januar 2018
- Juli 2017
- Januar 2017
- Juli 2016
- Januar 2016
- Juli 2015
- Januar 2015
- Juli 2014
- Januar 2014
- Juli 2013
- Januar 2013
- Juli 2012
- Januar 2012
- Juli 2011
- Januar 2011
- Juli 2010
- Januar 2010
- Juli 2009
- Januar 2009
- Juli 2008
- Januar 2008
- Juli 2007
- Januar 2007
- Juli 2006
- Januar 2006
- Juli 2005
- Januar 2005
- Juli 2004
- Januar 2004
- Juli 2003
- Januar 2003
- Juli 2002
- Januar 2002
- Juli 2001
- Januar 2001
Förderbeginn 01.01.2026
End-to-end-Methoden des maschinellen Lernens zur Echtzeit-Charakterisierung neuartiger Energiewerkstoffe
Prof. Dr. Philipp Pelz
Friedrich-Alexander-Universität Erlangen-Nürnberg
Materials Science
Prof. Dr. Colin Ophus
Stanford University
Materials Science
Der Übergang zu nachhaltigen Energietechnologien erfordert ein tiefes Verständnis der atomaren Struktur moderner Materialien, da Struktur und Chemie ihre Funktion in Batterien, Solarzellen und Katalysatoren bestimmen. Gleichzeitig stoßen konventionelle, manuell parametrisierte Auswertemethoden in der Elektronenmikroskopie zunehmend an ihre Grenzen. Dieses Projekt begegnet dieser Herausforderung durch die Entwicklung autonomer, maschinell lernender Analysepipelines für vierdimensionale Raster-Transmissionselektronenmikroskopie (4D-STEM). Ziel ist ein durchgängiges neuronales Framework, das Kristallorientierung, Kristallstruktur und chemische Information direkt aus Rohdaten in Echtzeit bestimmt. Der Verzicht auf handgefertigte Algorithmen ermöglicht eine reproduzierbare und hochdurchsatzfähige quantitative Analyse. Die Zusammenarbeit vereint die komplementären Stärken der FAU Erlangen-Nürnberg und der Stanford University. Stanford bringt modernste Mikroskope, neuartige Batteriematerialien und Expertise in ML-basierter Beugungsanalyse ein. FAU steuert Deep-Learning-Methoden, direkte Elektronendetektion und einen Fokus auf Dünnschicht-Solarzellenmaterialien bei. Gemeinsame Forschungsaufenthalte dienen der Datenerhebung, Modellentwicklung und Publikationsvorbereitung. Insgesamt entsteht eine skalierbare Methodik zur beschleunigten Entwicklung zukünftiger Energiewerkstoffe.