SLIMMLab

AI voor het modelleren van slimme materialen

Materialen met nauwgezet ontworpen microscopische structuren kennen talloze nuttige toepassingen in bijvoorbeeld de bouw, transport en de energietransitie. Als we deze hightechmaterialen willen inzetten, moeten we heel veel weten over het gedrag ervan. Het is gebruikelijk om uitgebreide experimenten op te zetten om aan die kennis te komen. Die aanpak is echter niet alleen erg duur, maar ook slecht voor het milieu.

Voor het volledig benutten van het potentieel van dit soort materialen, hebben we efficiƫnte virtuele testgereedschappen nodig. Er zijn al krachtige modelleertechnieken beschikbaar, maar omdat enkelvoudige simulaties al maanden rekentijd in beslag kunnen nemen, zijn deze veel te duur om voor dit doel te gebruiken. AI kan voor dit vraagstuk de oplossing bieden.

Het SLIMM Lab wil de overstap naar virtueel testen mogelijk maken door het combineren van Bayesian machine learning en multiscale mechanical analysis. Door veelbelovende onderzoeksrichtingen te verkennen met Bayesian inverse modelling en Piecewise Deterministic Markov Processes (PDMP), gaan we Bayesiaanse inferentiegereedschappen ontwikkelen, speciaal gericht op toepassing in materiaalmodellen. Ons onderzoek leidt tot een nieuwe generatie modellen voor slimme materialen en multiscale simulatiekaders met een solide natuurkundige onderbouwing, waarin data van zowel simulaties als experimenten naadloos verwerkt zijn.