Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch de
CORDIS - Forschungsergebnisse der EU
CORDIS

LIMG: Artificial Intelligence-Driven High-Fidelity Inverse Design of Solid-State Electrolytes

Projektbeschreibung

KI-gestützte Entwicklung von Hochleistungs-Energiematerialien

Festkörperelektrolyte sind für eine nachhaltige Energiespeicherung von entscheidender Bedeutung, doch ihrer Entwicklung stehen geringe Wirkungsgrade und hohe Testkosten m Wege. Das Ziel des innerhalb der Marie-Skłodowska-Curie-Maßnahmen unterstützten Projekts LIMG besteht darin, die Plattform Loop-Locked Intelligent Material Generation ins Leben zu rufen. Dieses KI-gestützte System wird die Entdeckung von Hochleistungsmaterialien beschleunigen. Durch den Einsatz spezieller Maschinenlernverfahren zur hochpräzisen Simulation der Lithiumbewegung wird das Projektteam langsame, teure traditionelle Berechnungen umgehen. Zu den weiteren Zielen zählen der Aufbau einer umfangreichen, wiederverwendbaren Materialdatenbank und der Einsatz generativer KI zur Entwicklung neuer Elektrolyte mit spezifischen Eigenschaften. Projektziel ist es, die Entwicklung von Energiematerialien revolutionär zu verändern, den Übergang zu CO₂-armen Technologien zu beschleunigen und gleichzeitig die nächste Generation von Führungskräften in der KI-gestützten Wissenschaft auszubilden.

Ziel

Solid-state electrolytes (SSEs) promise to revolutionize energy storage and carbon-neutral mobility industries, but their low ionic conductivity remains a barrier. Discovery of high-performance SSEs is hindered by a lack of high-quality lithium-diffusion data, unclear structure-property understanding, and the high cost of traditional computational screening. This project aims to build a Loop-Locked Intelligent Material Generation (LIMG) platform by coupling a pre-trained machine learning force field (MLFF) called SO3LR-SSE with advanced generative models. SO3LR-SSE explicitly incorporates non-local and many-body interactions to improve the fidelity of dynamic SSE databases and the transferability across diverse material systems. The project includes four main work packages (WPs 1-4, LIMG platform) plus one for data management, career development, and dissemination. WP1 will develop a high-fidelity, transferable MLFF for SSEs to speed up Li-diffusion dynamics simulations, forming the basis for generating a comprehensive SSE database of ionic conductivities in WP2. WP3 will use ML and the database to accurately predict ionic conductivity and elucidate structure-property relationships. WP4 will focus on inverse SSEs design with clear physical interpretability based on generative models. LIMG is expected to generate a large, reusable dataset and rapidly identify novel candidates across global chemical spaces for experimental follow-up. A planned secondment at TU Berlin will support MLFF development in a collaborative environment. For the fellow, this project will significantly strengthen skills in advanced AI algorithm development, materials design, and interdisciplinary collaboration, strengthening prospects for leadership in AI-driven materials research. LIMG aspires to be widely expanded to material systems, advancing innovative, interpretable, high-fidelity design of new energy materials and accelerating deployment of low-carbon energy storage technologies.

Wissenschaftliches Gebiet (EuroSciVoc)

Schlüsselbegriffe

Programm/Programme

Thema/Themen

Finanzierungsplan

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

(öffnet in neuem Fenster) HORIZON-MSCA-2025-PF

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Koordinator

UNIVERSITE DU LUXEMBOURG
Netto-EU-Beitrag
€ 200 400,00
Adresse
2 PLACE DE L'UNIVERSITE
4365 ESCH-SUR-ALZETTE
Luxemburg
Region
Luxembourg Luxembourg Luxembourg
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten
Keine Daten

Partner (1)