Die Wechselwirkung zwischen Struktur und Eigenschaften ist ein grundlegendes Forschungsthema in der Materialwissenschaft und Werkstofftechnik. Werkstoffe weisen unterschiedliche Mikrostrukturen auf, deren Charakterisierung, effektive Darstellung, und Korrelation mit den Eigenschaften eine große Herausforderung darstellt. Daher beruht das Verständnis der Wechselwirkung zwischen Mikrostruktur und Eigenschaften hauptsächlich auf empirischen Ansätzen, was die Anwendung bei der Optimierung und Konstruktion von Werkstoffen einschränkt. Das Aufkommen von Methoden des maschinellen Lernens und der Datenwissenschaft in den letzten Jahren hat jedoch leistungsstarke Werkzeuge mit einem enormen Potenzial für die Weiterentwicklung der Materialforschung und der Konstruktionsprinzipien hervorgebracht. Diese Ansätze bieten vielversprechende Möglichkeiten für die Entwicklung von Werkstoffen, die den Anforderungen der Zukunft gerecht werden, und haben das Potenzial, die traditionellen Methoden der Materialforschung zu revolutionieren.

Diese Arbeit konzentriert sich auf die Anwendung von Techniken des maschinellen Lernens zur Erforschung der Beziehungen zwischen Mikrostruktur und Eigenschaften. Drei prototypische mikrostrukturelle Systeme werden untersucht: Nanodrahtstruktur in Lithium-Ionen-Kathodenmaterial, faserige Netzwerkstruktur in Papiermaterial und Korn/Phasenstruktur in Dualphasenstahl. In der vorliegenden Arbeit werden verschiedene Formen der Mikrostrukturdarstellung über mehrere Mikrostrukturebenen hinweg untersucht. Dazu gehören die Verwendung von tiefen neuronalen Netzen zur Ableitung geometrischer Deskriptoren zur Charakterisierung der Nanodrahtmorphologie auf der Grundlage von Mikroskopiebildern auf Partikelebene, die Ableitung von Deskriptoren aus der komplexen faserigen Netzwerkstruktur von Papiermaterialien auf der Netzwerkebene und die Verwendung von bildbasierten latenten Merkmalen auf der Ebene der Mikrostrukturdomäne für Dualphasenstahl.

Bei den in dieser Arbeit betrachteten Materialeigenschaften handelt es sich um elektrochemische Eigenschaften, die aus experimentellen Bewertungen gewonnen werden, wie im Fall des Batteriekathodenmaterials, oder um solide physikalische Simulationsdaten, die durch fortschrittliche Materialmodelle und -simulationen generiert werden, wie für Papiermaterial und Dualphasenstahl der Fall ist. Diese Arbeit legt überzeugend dar, dass der Einsatz von auf maschinellem Lernen basierenden Techniken eine effektive mikrostrukturelle Charakterisierung, die Extraktion von mikrostrukturellen Merkmalen, eine schnelle Vorhersage der Materialreaktion und schließlich die Erstellung von Mikrostruktur-Eigenschafts-Beziehungen ermöglicht, um eine verbesserte Materialoptimierung und -gestaltung zu erreichen.