Humboldt-Universität zu Berlin - Mathematisch-Naturwissenschaftliche Fakultät - Institut für Mathematik

Sparse Deep Neuronal Networks for the Design of Solar Energy Materials

Das Design neuer Materialien für Solarzellen hängt immer noch stark von sehr zeitaufwändigen Material-Screenings ab. Ein simulationsbasierter Ansatz kann Verbindungen vom Perowskit-Typ in Bezug auf die thermodynamische Stabilität in der Formation und weiter Eigenschaften unter Verwendung der Dichtefunktionstheorie klassifizieren [1]. Alternativ kann die Beziehung zwischen Leistungsindikatoren anhand experimenteller Daten beurteilt werden [2]. Eine große Herausforderung für das zuverlässige und schnelle Design neuer Solarenergiematerialien ist die Tatsache, dass es für zahlreiche Materialien vom Perowskit-Typ immer noch signifikante Diskrepanzen zwischen den durch die Simulation vorhergesagten Verbindungseigenschaften und den experimentell erhaltenen Daten gibt. Dies motiviert die Entwicklung neuer mathematischer Techniken für verbesserte, strukturausnutzende Ansätze des Maschinellen Lernens Maschine für sogenannte deep neural networks im Rahmen dieses Projekts.

Projektpartner:

Thomas Kühne, Dynamics of Condensed Matter, Universität Paderborn

Aktuelles:

• Andrea Walther und Franz Bethke reichten zusammen mit R. Varadarajan, S. Jost, H. Mirhosseini, T. Kühne und C. Plessl einen Artikel zur Vorhersage von Formationsenergien mittels maschinellem Lernen ein.
• Andrea Walther und Franz Bethke reichten einen Artikel zu semiglatten konjugireten Gradientenverfahren ein.

Vergangenes:

• Das Projekt war mit einem Vortrag zur "Semismooth Conjugate Gradient Method" von Franz Bethke auf der GAMM Jahrestagung 2022 vertreten. Vorgestellt wurde neben dem konzeptuellen Algorithmus auch erste theoretische Resultate und nuerische Ergebnisse im Bereich der Bildentrauschung.
• Franz Bethke nahm am ALOP Workshop on Algorithmic Optimization and Data Science in Trier teil.
• Franz Bethke nam an der Software Engineering 2022 teil. Ein spezieller Fokus der Konferenz lag dieses Jahr auf dem research software engineering mit mehrere Workshops und einenem Sessiontrack speziell zu diesem Themenbereich. Wegen dem besonderen Bezug zu AA2-7 sind der Workshop "Testing Neural Applications" von Markus Goetz und Peter Steinbach und der Vortrag "Fuzzing Computational Material Science Code Parsers" von Sebastian Müller und Jan Arne Sparka zu nennen.
• Sebastian Jost schloss seine Bachelorarbeit "Comparison of architectures and parameters for artificial neural networks" ab. Seine Resultate verbessern die exestierenden Vorstudien zum Training neuronaler Netzwerke, die die Stabilität chemischer Verbindungen vorhersagen. Sein Quellcode kann hier eingesehen werden.
• Postervorstellung zum Thema "Combining the ADMM and Active Signature Methods for the Training of Neural Networks with Nonsmooth Activation Functions" im COMinDS YoungResearchers' Seminar von Franz Bethke am 28. Mai 2021
• Online Kickoff-Meeting aller PIs und Projektpartner im März 2021
• Franz Bethke besuchte die AG von Thomas Kühne im August 2020

Literatur:

[1] R. Raghupathy, H. Wiebeler, T. Kühne, C. Felser, and H. Mirhosseini. Database screening of ternary chalcogenides for p-type transparent conductors. Chemistry of Materials, 30(19):6794–6800, 2018.

[2] E. Unger, L. Kegelmann, K. Suchan, D. Sörell, L. Korte, and S. Albrecht.  Roadmap and roadblocks for the band gap tunability of metal halide perovskites. Journal of Materials Chemistry A, 5:11401–11409, 2017.