Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Generative machine learning for combined process control and materials design

Opis projektu

Materiały oparte na sztucznej inteligencji - od procesu do osiągów

Odkrywanie nowych materiałów zwykle wiązało się z wieloma doświadczeniami, takimi jak dostosowywanie temperatur, ciśnień lub rozpuszczalników w nadziei na przełom. Zależności między wytwarzaniem materiału, jego strukturą i osiągami pozostają niezbadane. Zespół finansowanego ze środków Unii Europejskiej projektu GEMPROMISE ma na celu odwrócenie tej tendencji. Badacze połączą badania o wysokiej przepustowości, zaawansowane symulacje i uczenie maszynowe. Zbudują generatywny system oparty na pętli zamkniętej, który proponuje warunki przetwarzania i bada je w czasie rzeczywistym. Celem jest zastąpienie metody prób i błędów przewidywaniami i opracowanie zrównoważonych syntetycznych krzemianów warstwowych o przestrajalnych właściwościach elektronicznych na potrzeby transformacji energetycznej i innych sektorów.

Cel

GEMPROMISE aims to tackle the grand challenge of materials science, namely to identify the process parameters leading to a structure with targeted properties and performance. Compared to the current trial-and-error approach, mastering the Process-Structure-Property-Performance (Proc.→Struc.→Prop.→Perf.) relationships would speed up materials discovery with a huge societal impact (e.g. for energy transition). From a fundamental standpoint, there is no theory for these relationships. Thanks to highthroughput (HT) ab initio simulations, Struc.→Prop. (and hence Prop.→Perf.) can be well predicted and machine-learning (ML) approaches have been recently used as much faster surrogate models. But the simulation of the complete Proc.→Struc. is still out of reach, and ML approaches are hindered by the lack of data given the vast amount of possible process paths.
GEMPROMISE will establish a generative active learning approach to suggest process parameters leading to targeted properties, promoting a physical and chemical understanding of Proc.→Struc.→Prop.→Perf., as ultimate goal. Its key ideas emerged in a synergistic brainstorming between AYMONIER (experiments), RIGNANESE (simulations), and VANDERGHEYNST (ML): (i) a multimodal ML model will be developed to leverage experiments and simulations as direct and indirect data providers of varying quantity and quality, integrating these modalities through a joint latent space allowing for generation, (ii) a HT synthesis and characterization platform will be designed to close the loop and respond to the ML model queries, and (iii) a HT simulation framework will be devised for predicting Struc.→Prop. information to complement experiments.
To illustrate the concept, GEMPROMISE will give birth to a bottom-up, sustainable, and scalable method to produce new synthetic layered silicates with controllable band gaps. Once established, this approach can be extended to other processes, structures, properties, and hence applications.

Dziedzina nauki (EuroSciVoc)

Projekt nie został jeszcze sklasyfikowany według klasyfikacji EuroSciVoc.
Wskaż dziedziny nauki, które twoim zdaniem są najbardziej istotne z punktu widzenia tego projektu i pomóż nam usprawnić naszą usługę klasyfikacji.

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-ERC-SYG - HORIZON ERC Synergy Grants

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) ERC-2025-SyG

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Instytucja przyjmująca

CENTRE NATIONAL DE LA RECHERCHE SCIENTIFIQUE CNRS
Wkład UE netto
€ 3 693 996,25
Koszt całkowity
€ 3 693 996,25

Beneficjenci (3)