KI in der Materialwissenschaft: Grundlagen, Anwendungen und Perspektiven
Donnerstag, 05. November 2026
09.30 bis ca. 15.30 Uhr
Leiter der Veranstaltung:
Dr. Michael Schinhammer, Eurofins Qualitech AG
Tagungsort
Empa, Raum VE102
Überlandstrasse 129
CH-8600 Dübendorf
Die 14. Materialografie-Tagung des SVMT zeigte anhand von sieben Beiträgen, wie künstliche Intelligenz, Machine Learning und automatisierte Charakterisierung die Materialentwicklung, Materialografie und industrielle Qualitätssicherung verändern. Der Bogen spannte sich dabei von KI-gestütztem Legierungsdesign über quantitative Gefügeanalyse und additive Fertigung bis hin zu physikbasierten Modellen und automatisierter Charakterisierung welche grosse Datensätze erzeugt, die nicht mehr manuell auswertbar sind.
Den Auftakt bildete Malik Wagih mit „Artificial Intelligence for Alloy Design: Opportunities and Challenges“. Im Mittelpunkt standen hybride Ansätze, die KI mit physikalischem Wissen und experimentellen Daten verbinden. Sie ermöglichen den Umgang mit enormen chemischen und mikrostrukturellen Designräumen, beispielsweise durch die gezielte Beschreibung von Korngrenzensegregation, Multi-Objective-Optimierung und Active Learning. Gleichzeitig wurden begrenzte und heterogene Datenbestände sowie die aufwendige experimentelle Validierung als zentrale Herausforderungen herausgestellt.
Frank Mücklich zeigte anschliessend mit „Metallographie 4.0“, wie KI über die automatisierte Bildanalyse klassische materialografische Verfahren weiterentwickelt. Das Ziel sind objektive, reproduzierbare und quantitative Gefügeanalysen. Eine besondere Bedeutung kommt dabei hochwertigen Trainingsdaten und einer verlässlichen „Ground Truth“ zu, die beispielsweise durch die Kombination von Lichtmikroskopie, REM und EBSD erzeugt werden kann. KI ersetzt dabei nicht die materialografische Expertise, sondern dient als Werkzeug zur Effizienzsteigerung.
Gerhard Rauh überführte diese Ansätze in die industrielle Praxis. KI-basierte Bildauswertung ermöglicht die automatisierte Vermessung von Stanznieten, Clinchen und Schweissnähten sowie die Korn- und Gefügeanalyse. Entscheidend für erfolgreiche industrielle Anwendungen sind robuste Modelle, ausreichende Datenmengen, wirtschaftlicher Nutzen, Integration in bestehende Prozesse sowie ein Human-in-the-Loop-Ansatz. Bei geeigneten Anwendungen können bislang minutenlange manuelle Messungen innerhalb weniger Sekunden durchgeführt werden.
Steven Van Petegem demonstrierte anschliessend den Einsatz von Machine Learning in der additiven Fertigung. ML kann grosse Legierungs- und Prozessräume bereits vor dem Druck durchsuchen und gleichzeitig während des Prozesses Sensorinformationen auswerten. Operando-Röntgenmethoden liefern dabei physikalische Referenzdaten für optische und akustische Sensoren und ermöglichen beispielsweise die Erkennung unterschiedlicher Schmelzregime und mikrostruktureller Umwandlungen. Der Vortrag verdeutlichte insbesondere die Bedeutung der Kombination von Machine Learning, physikalischem Verständnis und experimenteller Validierung.
Amir Malakizadi zeigte mit „From DFT to Tool Wear“, wie physikbasierte Modellierung und Machine Learning zur Vorhersage der Härte nichtmetallischer Einschlüsse und des Werkzeugverschleisses kombiniert werden können. DFT-basierte Berechnungen, Materialmodelle und ML erlauben die Entwicklung hybrider Vorhersagemodelle mit vergleichsweise wenigen Anpassungsparametern. Ein wesentliches Hindernis bleibt jedoch die begrenzte Verfügbarkeit zuverlässiger experimenteller und berechneter Materialdaten, insbesondere für Hochtemperatureigenschaften.
Remo Widmer stellte mit SwissMapper eine automatisierte Plattform für die korrelative Hochdurchsatz-Charakterisierung vor. Unterschiedliche Verfahren können ortsaufgelöst miteinander kombiniert und Messdaten zusammen mit Metadaten und Prozessinformationen strukturiert gespeichert werden. Damit entstehen grosse, konsistente und reproduzierbare Datensätze für KI-gestützte Materialentwicklung. Ein Beispiel zeigte die automatisierte Analyse einer Schweissverbindung mittels XRF und XRD. Für die vielen Messpunkte kann SwissMapper den Aufwand der Auswertung von etwa einer Woche auf rund acht Stunden reduzieren.
Den Abschluss bildete Mark Fuge mit „Artificial Intelligence in Engineering Design“. Im Zentrum stand die Frage, wie Maschinen lernen können, neue technische Systeme und Materialien zu entwerfen. Methoden zur Identifikation niedrigdimensionaler Designräume, generative Modelle und inverse Designansätze wurden anhand von Anwendungen wie Strukturen, Wärmetauschern, Mikrostrukturen und Metamaterialien diskutiert. Sie zeigen das Potenzial von KI, komplexe Designräume effizient zu erschliessen und künftig zunehmend automatisierte Designprozesse zu ermöglichen.