Cyracle - Planungssoftware für Experimente

Your Virtual Guide for Materials Development

cyracle ist eine Software für eine effizientere Planung von Experimenten in der Materialentwicklung. Die Software verwendet aktuelle Algorithmen des maschinellen Lernens (Teaser Dokument)

Viele der heutigen industriellen Anwendungen erfordern chemische Zusatzstoffe, die bestimmte Aufgaben erfüllen. Im Falle von Korrosionsschutzbeschichtungen beispielsweise blockieren kleine organische Moleküle die Oberfläche vor korrosiven Spezies oder verhindern die Auflösung der Oberfläche. Seit der REACH-Vereinbarung sind nachhaltige und umweltfreundliche Alternativen zu Korrosionsschutzbeschichtungen auf Chromatbasis gefragt. Der chemische Raum ist jedoch prinzipiell unendlich (etwa 1063 theoretisch synthetisierbare Verbindungen). Die riesige Anzahl der zu prüfenden Komponenten wirkt sich auch auf andere Bereiche aus, wie z. B. auf die Entwicklung fortschrittlicher Batteriesysteme, bei denen häufig Chemikalien als Zusatzstoffe für den Batterieelektrolyten verwendet werden, um die Leistung zu steigern.

Daraus ergibt sich eine grundsätzliche Herausforderung: Wie findet man eine geeignete Verbindung für die jeweilige Aufgabe, ohne alle in buchstäblich Tausenden von Jahren zu testen?
Experimente sind für F&E-Abteilungen in der Industrie und in Forschungseinrichtungen zeit- und ressourcenaufwändig, so dass die Anzahl der zu testenden Verbindungen und anderer experimenteller Parameter, um eine geeignete Materiallösung zu finden, so gering wie möglich sein sollte. Gerade für industrielle Anwender:innen ist dies entscheidend, um kosteneffizient und nachhaltig zu arbeiten und wettbewerbsfähig zu bleiben. Die Planung und Dokumentation von Experimenten in der Entwicklung basiert immer noch meist auf langwierigen und kostenineffizienten Trial-and-Error-Ansätzen, Erfahrung und Intuition, wodurch das Potenzial digitaler Werkzeuge in dieser Hinsicht verschenkt wird. Die Ergebnisse werden immer noch meist in Microsoft Excel und Origin organisiert und analysiert, was die vollständige Nutzung der verfügbaren Daten im Hinblick auf die Verknüpfung verschiedener Datenquellen erschwert.

Ausgründungsprojekt am Hereon

Einige Plattformlösungen für die Versuchsplanung ermöglichen bereits die Nutzung vorhandener Daten, um Experimente in der Materialentwicklung zu planen und neue Materialien effizienter und mit hoher Flexibilität zu identifizieren, jedoch lassen einen solche Lösungen mit dem Problem allein und sind mit steilen Lernkurven und recht hohen Investitionen in Form von Zeit und Geld behaftet, was eine breite Akzeptanz verhindert. Darüber hinaus stammen die meisten Lösungen von Unternehmen außerhalb Europas, was zu möglichen Konflikten in Bezug auf Datenvorschriften führt. Dies ist besonders bedauerlich, da die aktuellen Herausforderungen unserer Zeit, wie die Klimakrise, neuartige Materiallösungen, schnelle Entwicklungsprozesse und kurze Markteinführungszeiten erfordern. Wir haben einfach nicht die Zeit und die Ressourcen, um in einem riesigen Heuhaufen von Möglichkeiten nach der besten Lösung zu suchen. Daher sind digitale Werkzeuge, die eine effiziente Versuchsplanung erleichtern, von entscheidender Bedeutung, um die Gesamtzahl der Versuche zu verringern und die Nadel im Heuhaufen schneller zu finden – heute mehr denn je.

Die am Institut für Oberflächenwissenschaften (MO) entwickelten Modelle des maschinellen Lernens haben sich bereits bei der Suche nach neuen Korrosionsinhibitoren oder Batterie-Elektrolyt-Zusätzen als wertvoll erwiesen. Die Feinabstimmung und Nutzung dieser Modelle im Arbeitsalltag im Labor ist jedoch immer noch mühsam, da Kenntnisse in Python erforderlich sind und die individuelle Anpassung nicht immer einfach ist. Daraus entstand die Idee, eine Software zu entwickeln, die diese Modelle leicht nutzbar macht. Langfristig soll eine solche Software für alle möglichen Szenarien bei der Auswahl chemischer Verbindungen anwendbar sein und den Grundstein für ein Spin-off legen.

Der Bedarf nach solch einer Software wurde bereits Anfang 2024 im Field Study Fellowship im Rahmen von Helmholtz Enterprise validiert (30.000€ Förderung). Basierend auf den erlangten Einblicken von dem wissenschaftlichen und industriellen Sektor, soll ein funktionierender Softwareprototyp bis Juni 2025 entwickelt werden, der in Zusammenarbeit mit Sviatlana Lamaka und Darya Snihirova von der Abteilung MOD getestet werden soll.

Für die Entwicklung des Prototyps wurde eine interne Förderung über 37.000€ aus dem Innovationsfond durch die Abteilung für Innovation und Transfer beantragt. Angelika Eichenlaub bietet weitere Unterstützung in allen Themen rund um die Reise als Sciencepreneur. Wissenschaftliche Unterstützung wird durch Daniel Höche, Christian Feiler und Mikhail Zheludkevich von MO geleistet.

Durch die Bereitstellung einer einfach zu benutzenden Software, die auf die Bedürfnisse der Nutzer:in angepasst ist, soll der Prototyp die Versuchsplanung bei der Suche nach neuen Materiallösungen vereinfachen. Anstatt eine Vielzahl an Funktionen und Möglichkeiten anzubieten, die vielleicht gar nicht gebraucht werden, wird die Software in Bezug auf Nutzerbedürfnisse und domänenspezifischen Merkmalen maßgeschneidert. Die Kombination aus Domänenwissen und einfacher Benutzbarkeit ist die Basis für einen starken USP. Als nächster Schritt steht die Bewerbung auf das Spin-Off Programm von Helmholtz Enterprise aus um weiter in Richtung der geplanten Ausgründung zu arbeiten.