GeoDict-Cloud

Wir möchten Forscher und Wissenschaftler signifikant im Entwicklungsprozess von innovativen Energiematerialien auf der Mikroskala unterstützen. Wir wollen eine nahtlose Schnittstelle zwischen lokalem und Cloud-Computing für das digitale Materialdesign schaffen, um schnell große Datenmengen zu generieren und zu verarbeiten. Die Verknüpfung eines Online-Materialspeichers mit Lösungen für den Batch-Betrieb in der Cloud, das Training und die Nutzung von Artificial Neural Networks (ANNs) für die Vorhersage von Materialeigenschaften wird die derzeitige Geschwindigkeit der Materialforschung und -entwicklung um ein Vielfaches erhöhen.

Für Energiematerialien der Zukunft, z. B. SOFC-Elektroden, ist das Verständnis und die Optimierung der Leistung auf der Mikroskala unerlässlich. Das digitale Materialdesign ist derzeit noch begrenzt durch die beschränkte Verfügbarkeit an notwendiger Rechenleistung: KI und unbeschränkte Rechenleistung in der Cloud on demand werden jedoch ihr Potenzial voll ausschöpfen. Die Integration des Materialdesigns in die Cloud ist notwendig, um die Digitalisierung in der Forschung und Entwicklung voranzubringen und die Zeit bis zur Markteinführung neuer Materialien zu verkürzen.

In dem aktuellen Joint Venture zwischen KaleidoSim und Math2Market GmbH können Anwender GeoDict-Simulationen in der Cloud ausführen, indem sie Simulationsdaten über ein Webinterface hochladen. Das Hauptziel der Softwareentwicklung in diesem Projekt ist ein neues Modul namens GeoDict-Cloud, das eine direkte GeoDict-Schnittstelle für Cloud Computing vorsieht und die KaleidoSim-Cloud nahtlos in GeoDict integriert. Ohne die GeoDict-GUI zu verlassen, wird der Benutzer in der Lage sein, Datenvor- und -nachbearbeitung, Datentransfer und -management sowie Batch-Operationsroutinen in der Cloud durchzuführen.

GeoDict-Cloud wird GeoApps enthalten, mit denen Hunderte von Simulationsfällen gleichzeitig in der Cloud ausgeführt werden können, was ein schnelles digitales und zuverlässiges Materialdesign auf der Grundlage großer Datenanalysen ermöglicht: Der Anwender wird

• die effektiven Materialeigenschaften auf Basis gegebener Strukturparameter vorhersagen oder 
• optimierte Strukturparameter für das neu entwickelte Material liefern, um bestimmte effektive Eigenschaften zu erzielen.

Die ZHAW wird mit Unterstützung von KaleidoSim und Math2Market diese Batch-Betriebs- und KI-Ansätze für die Entwicklung von Materialien der nächsten Generation mit optimierter Mikrostruktur untersuchen, entwickeln und validieren. Die entwickelten Konzepte und Ansätze werden von Math2Market als GeoApps in das GeoDict-Cloud Modul implementiert. Zudem wird die ZHAW ein öffentliches Online-Material-Repository mit standardisiertem Format für den automatischen Austausch mit GeoDict-Cloud aufbauen. Math2Market wird eine direkte GeoDict-Schnittstelle zu den Repository-Daten als GeoApp implementieren.

Ausgehend von SOFC-Elektrodenmaterialien lassen sich die Ansätze auf andere Brennstoffzellenkonzepte, Batterien, CO2-Speicher, Verbundwerkstoffe, Filtermaterialien und vieles mehr übertragen. Math2Market bietet schon seit 2019 den Einsatz von Convolutional Neural Networks (CNNs) für die 3D-Bildsegmentierung und Objektidentifikation an. Das Training und der Einsatz von CNNs im Zusammenhang mit dem Cloud-Batch-Betrieb, z. B. zur Vorhersage physikalischer Eigenschaften, wird wegweisend sein.

• ZHAW Zürcher Hochschule für Angewandte Wissenschaften, ICP Institut of Computational Physics (https://www.zhaw.ch/de/forschung/forschungsdatenbank/projektdetail/projektid/5010/)
• KaleidoSim Technologies AG

Start: 01. Oktober 2021
Ende: 31. März 2024