Materialwissenschaften und KI: Erste PhD Summer School an der TH Aschaffenburg

Vom 22. bis 24. Juli fand an der Technischen Hochschule Aschaffenburg die erste PhD Summer School Machine Learning for Research in Materials Sciences (ML4MatSci) statt. Sie wurde vom europäischen Netzwerk EuMINe (European Materials Informatics Network) sowie dem gemeinsamen Promotionszentrum Nachhaltige und Intelligente Systeme (NISys) der TH Aschaffenburg, der Hochschule Coburg sowie der Technischen Hochschule Würzburg-Schweinfurt ausgerichtet.

Die dreitägige Veranstaltung brachte Promovierende aus der EU sowie assoziierten Ländern, insbesondere des Westbalkans und Israels, zusammen, die im Bereich der Materialwissenschaften forschen. Ziel der Summer School war es, Nachwuchswissenschaftlerinnen und -wissenschaftler mit Methoden und Anwendungsmöglichkeiten des maschinellen Lernens vertraut zu machen und sie zu ermutigen, diese gezielt in ihren materialwissenschaftlichen Forschungsprojekten einzusetzen. 

Organisiert wurde die Summer School von Prof. Dr. Michael Möckel, Professor an der Fakultät Ingenieurwissenschaften und Informatik (TH Aschaffenburg), in Kooperation mit Prof. Dr. Amila Akagic (Universität Sarajevo) und dem Leiter des Netzwerks EuMINe, Prof. Dr. Francesco Mercuri (CNR Bologna). Als lokaler Gastgeber führte das Promotionszentrum NISys die Veranstaltung an einem Tag in den Räumen der TH Würzburg-Schweinfurt durch und ermöglichte den Gästen so einen breiteren Blick auf die Hochschullandschaft am Bayerischen Untermain. 

Das Programm der Summer School kombinierte theoretische Fachvorträge internationaler Expertinnen und Experten mit praxisorientierten Hands-on-Lehreinheiten. In Postersitzungen und kurzen Pitch-Präsentationen konnten die Teilnehmenden ihre eigenen Forschungsprojekte vorstellen und wertvolles Feedback erhalten. Auch zahlreiche Promovierende des Promotionszentrums NISys nutzten die Gelegenheit, ihre Forschungen zu präsentieren.  

Der Einsatz von Verfahren des maschinellen Lernens im Bereich der Materialwissenschaften geschieht mit einer hohen Dynamik und brachte bereits spektakuläre Erfolge. Daher legte die Summer School ihre Schwerpunkte auf generative Modelle zur gezielten Entwicklung neuer Materialien und Moleküle, auf Ansätze der Bayes’schen Optimierung zur effizienten Akquise von Messdaten, auf die Kalibrierung von Maschinenlernverfahren sowie auf Anwendungsfälle aus der medizinischen Bildgebung und der Industrie. 

Eine abendliche Exkursion zur Würzburger Residenz brachte den Teilnehmenden materialwissenschaftliche Aspekte bei der Konservierung und Rekonstruktion historischer Baudenkmäler näher und zeigte Potentiale für den Einsatz von KI-Verfahren in diesem Bereich auf. 

Die Summer School wurde durch das europäische Netzwerk EuMINe im Rahmen der Initiative EU-COST (European Cooperation in Science and Technology) aus Mitteln der Europäischen Union finanziert. Sie ermöglichte nicht nur Wissensvermittlung auf hohem Niveau, sondern förderte auch die Vernetzung junger Wissenschaftlerinnen und Wissenschaftler über Fach- und Landesgrenzen hinweg.