Künstliche Intelligenz in der Batterieforschung - Prof. Stein

00:00:00: Ganz Deutschland befindet sich im zweiten Lockdown und wir alle im Homeoffice, aber in unserem Labor arbeitet immer noch jemand an den Batteriematerialien.

00:00:09: Und zwar vierundzwanzig Stunden lang jeden Tag!

00:00:17: Richtig – der Roboter unser Thema für heute.

00:00:48: Herzlich willkommen zu unserer letzten Podcastfolge in diesem Jahr geladen dem Batterie-Podcast.

00:00:53: Hallo Patrick Grüß dich Daniel.

00:00:55: Jetzt müssen wir leider eine Ankündigung machen, die nicht so toll ist.

00:00:58: Wir hatten ursprünglich ja Montaja Anjas mit dem Batteriethema Magnese-Millionenbatterien angekündigt.

00:01:05: Das kann leider nicht stattfinden aus Corona Gründen.

00:01:09: Deswegen haben wir jetzt aber ein anderes Thema.

00:01:11: Patrick sag doch mal was dazu

00:01:12: Genau.

00:01:12: ich hoffe die Hörerinnen und Hörern werden uns das verzeihen.

00:01:16: Wir beschäftigen uns heute mit Robotik Mit künstlicher Intelligenz mit Hochdurchsatzforschung innerhalb der Batterieforschung.

00:01:25: Dazu haben wir einen Gast eingeladen, und zwar den KIT-Professor Helge Stein.

00:01:30: Er ist Professor für angewandte Elektrochemie.

00:01:33: Hallo und herzlich willkommen hier im Studio, Herr Stein.

00:01:35: Moin moin!

00:01:36: Hier in Ulm versuchen Sie über neue innovative Wege Materialien zu erforschen und diese zu optimieren.

00:01:44: Es wird immer gesagt sie bauen eine Robotikstrecke auf und sollen irgendwann über künstliche Intelligenz diese Batteriematerialien finden und optimieren.

00:01:53: Was machen Sie konkret?

00:01:55: Und wie muss man sich das vorstellen?

00:01:57: Wir forschen an dieser Schnittmenge aus Automatisierung, Elektrochemie und künstlicher Intelligenz für die Materialforschung.

00:02:05: Und was ich daraus ergibt ist halt diese Hochdurchsatzmaterialforschungen Das große Ziel das wir haben ist dass wir versuchen wollen automatisiert Batterien- und Batteriematerialien herzustellen sie zu charakterisieren und dann mit der Hilfe von Algorithmen und Computern beschleunigt ein Erkenntnisgewinn zu generieren.

00:02:26: Dieser Erkenntnis Gewinn ist, so steht ganz oben dran.

00:02:29: Das Problem ist nämlich das es halt wie gesagt eine gute Anzahl von knapp zu forty Milliarden Möglichkeiten wahrscheinlich sogar noch mehr gibt an Kombinationen von Batterie-Elektrolyten oder Materialien die in der Ahnung oder Katt oder drin sind.

00:02:43: und wir müssen uns irgendwie aus diesem Wust an Möglichkeiten zurechtfinden.

00:02:47: und naja das geht halt nur indem man ein Erkenntniss gewinnt hat.

00:02:51: Und da helfen uns Methoden aus der künstlichen Intelligenz dabei, das bestäunlich herauszufinden.

00:02:58: Herr Stein in einem Erklärvideo über Batterieforschung und künstliche Intelligenze bzw.

00:03:03: Robotik malen Sie das Bild von Sterneköchen die im Prinzip auch versuchen optimale Rezepte zu entwickeln?

00:03:11: Da sagen sie, dass Batterieforscher in Ihrem Feld grundsätzlich ähnlich arbeiten, nämlich sie versuchen über verschiedene Verfahren und Elemente zu einem Optimum zu kommen, wo die Batteriematerialien am besten funktionieren oder die Mischung sozusagen optimal ist.

00:03:28: Genau auf die Mischen kommt es an ja so ganz wie es halt auch beim Kochen ist das ist halt auch in der Batterie.

00:03:33: Man kann sich das so vorstellen, wenn ich eine Batterie habe.

00:03:36: Dann hab' ich natürlich mein Elektroden.

00:03:38: Ich hab auch ein Batterie-Elektrolüten dazwischen und die Kombination aus allem muss passen.

00:03:42: Das ist ganz ähnlich als wenn ich, ihr sag mal irgendwie ne leckeres Tomatensauce-Rezept machen möchte.

00:03:48: Ja, ich nehme halt n paar Festzutomaten, ich nehmen n paar ... was weiß ich?

00:03:52: Passierte Tomaten, Salz... Wenn man möchte auch noch irgendwie einen Sprinkel von Glutamate oder sowas dazu damit es dann auch gut schmeckt.

00:04:01: Jetzt ist allerdings natürlich die Frage Was ist die optimale Kombination davon?

00:04:05: Weil wenn ich jetzt zu viel Salz rein mache, schmeckt es nicht.

00:04:08: Wenn soviel Glutamate... das ist auch nicht gut!

00:04:10: Wenn keine Tomaten plötzlich drin wären, wäre wahrscheinlich auch schlecht und da muss sich halt am Anfang ein bisschen versuchen rumzusexprimentieren und in der Regel machen wir's so.

00:04:19: Wir versuchen erstmal ganz viele zufällige Rezepte um erst mal eine Idee zu kriegen wie überhaupt der Rezept Raum aussieht indem ich mich bewege.

00:04:29: Und dann kann man meistens schon so einen Trend identifizieren, dass manchmal zu viel sonst ist nicht gut.

00:04:35: Gar keinen Salz ist auch nicht gut, naja irgendwo in der Wahrheit wird wahrscheinlich die Wahrheit in der Mitte liegen und ganz ähnlich machen wir es mit den Batterien halt auch.

00:04:43: Wir nehmen ein bisschen mehr von bestimmten Teilen in so einem Elektrolyt oder mal weniger und dann sieht man dann schon meistens jetzt funktioniert meine Batterie etwas länger oder etwas kürzer?

00:04:54: Oder hat andere Eigenschaften.

00:04:56: Ich fand das ziemlich einleuchtend, dass wenn man sozusagen alle Verfahrensprozesse und alle Elemente und dann noch die Prozesse wie Mischenkühlen und so zusammennimmt.

00:05:06: Dann kommt man ganz schnell in Zehntausende verschiedene Experimente, die man ja in einem Forscher leben wahrscheinlich niemals erreichen wird.

00:05:13: also man stelle sich vor ein einzelner Batterieforscher würde zwanzigtausend, fünfundzwanzig tausend Experimentes machen.

00:05:20: da kommen sie tatsächlich ins Spiel.

00:05:25: Genau, wir reden dann meistens von automatisierten Hochdurchsagexperimenten.

00:05:30: Die Idee bei der ganzen Sache ist halt nur so eine normaler Batterieforscherin-Patterieforsche.

00:05:35: die setzen sich halt hin und sagen okay ich bau jetzt hier mal so ne ganze Batteriezelle zusammen mit einer bestimmten Elektrolytformulierung bzw.

00:05:43: Elektrolütmischung.

00:05:45: das kostet so ein durchschnittliche Person.

00:05:48: dann zwischen dem Tag bis zu einer Woche.

00:05:50: je nachdem wie automatisiert das Labor ist gibt es verschiedene Methoden.

00:05:54: Gehen wir mal einfach netterweise von einem Arbeitstag aus.

00:05:58: Wenn ich jetzt versuche, aus fünf Komponenten eines Elektrolyten alle Kombination zu machen und ich mach das jetzt mal in zehn Prozent Schritten dann kommt man ziemlich exakt auf ein tausend und ein Experiment die ich durchführen müsste.

00:06:13: Das heißt eintausend und einen Arbeitstage ist etwas mehr als vier fünf Jahre und es ist nicht garantiert dass sich danach was was finde, was dann tatsächlich funktioniert.

00:06:24: Was wir halt machen ist, wir automatisieren diese Experimente und können damit die Sachen parallel laufen lassen.

00:06:31: Wir haben zum Beispiel vier Maschinen, die parallel laufen.

00:06:34: das heißt ich kann schon mal viermal so schnell arbeiten.

00:06:37: aber wir können zusätzlich auch noch durch diese Automatisierung für den zwanzig Stunden sieben Tage die Woche sozusagen für uns arbeiten lassen nicht selber machen.

00:06:47: Das wäre dann ja auch langweilig.

00:06:49: Und dann ist halt die Idee tatsächlich, dass wir den ganzen Tag nutzen und dann ist unser Arbeitstag plötzlich ich sag mal nicht nur irgendwie sieben oder acht Stunden lang sondern wirklich vierundzwanzig und dann können man wesentlich höheren Durchsatz hinkriegen als eine normale Person das dann könnte.

00:07:06: Vielleicht erklären Sie ganz kurz mal Teile dieser Robotikstrecke stehen ja bereits.

00:07:11: kann denn diese Maschine tatsächlich alles Das, was ein Batterieforscher hier im Labor auch kann?

00:07:18: Nein natürlich nicht.

00:07:20: Was wir können ist halt sogenannte Halbzellexperimente durchführen... Normalerweise macht man das in der Batterieforschung, so man baut eine ganze Batterie tatsächlich zusammen mit Ahnode, Cthode und Elektroly.

00:07:32: Dann kommt da drum noch irgendwie ein Gehäuse.

00:07:34: Wir machen, ich sag mal da wo es bei uns richtig, richtig schnell geht, da schauen wir uns immer nur eine halbe Batterie an und nehmen uns halt entweder die Ahn- oder die Cthoder anschauen.

00:07:44: Das ist halt eine Methode das zu machen.

00:07:46: Wir bauen tatsächlich gerade einen Roboter, der diese kleinen Knopfzellen wie man sie auch aus dem Supermarkt kennt zusammenbaut.

00:07:53: Das geht dann relativ schnell, das kann man auch ganz gut automatisieren.

00:07:57: Da brauchen wir derzeit... Wir verlieren ab und zu mal eine Batterie aber da brauchen wir ungefähr ein zwei Minuten um so ne Knopfzelle zusammenzubauen.

00:08:05: Das ist schon verdammt schnell!

00:08:07: Die Idee ist halt tatsächlich, dass unsere Roboter nicht nur nicht müde werden.

00:08:12: Sondern es auch unabhängig davon ist wie ich jetzt geschlafen habe.

00:08:15: Gehen wir da vielleicht noch mal einen Schritt zurück?

00:08:17: Weil mir ist das noch nicht ganz klar, wie das letztendlich aussieht.

00:08:20: oder wieder die Arbeitsteilung mit den Robotern.

00:08:24: Wie muss man sich das vorstellen?

00:08:25: Sie haben ein Tisch, da sind verschiedenste Brom drauf und was macht der Roboter genau?

00:08:29: Wie sieht das aus?

00:08:30: Vielleicht haben sie ja auch noch ein schönes Bild!

00:08:32: Das Traurige ist immer, dass die Roboter tatsächlich das langweiligste an der ganzen Geschichte.

00:08:38: Man kann sich das so vorstellen in dem wir haben eine Art Messkopf, den wir hin und her fahren.

00:08:45: Und diese Messkopfe fahren jetzt an einer Position wo wir dann halt messen.

00:08:48: Das nennen wir da meistens die sogenannte Messfläche.

00:08:51: Und einfach dadurch, dass wir zu verschiedenen Messflächen automatisch fahren können – das ist sozusagen dieser Automatisierungsschritt.

00:08:59: Und das sieht dann quasi einfach so aus wie ein Kreuztisch, wo man halt diesen Kopf hin und her verfährt.

00:09:06: Es ist jetzt kein spektakulärer großer Riesenroboter, wie man ihn irgendwie so aus grossen Industrieanlagen kennt.

00:09:12: Die haben wir auch aber nicht in dieser speziellen Anlage dort.

00:09:17: es ist tatsächlich so Wir fahren halt hin und Her und ich habe dieses Beispiel genannt vom Ich sage mal Schauen wir einzelne Buchstaben auf einem Blatt Papier an.

00:09:27: Wir fahren halt zu den einzelnen Buchstaben, auf diesem Blatt papier und lesen diesen Buchstabe ein.

00:09:33: Und wenn wir damit fertig sind, fahren wir einfach zum nächsten Buchstuben und lesend ihn dann ein.

00:09:37: Das ist diese Automatisierung dabei.

00:09:41: Die Roboter sind sozusagen ein Vehikel was uns das Leben ein bisschen einfacher

00:09:46: macht.

00:09:47: Wie schnell geht es mit dem Roboter?

00:09:50: Da muss man immer schauen, was für eine Art Messung man macht.

00:09:52: Das ist halt so, wenn ich jetzt einen Schnellladezyklus in der Batterie mache.

00:09:57: Nehmen wir was Extremes?

00:09:58: Ich nehme eine zwanzig C-Rate das heißt ich lad meine Batterie oder könnte meine Batteries zwanzich mal die Stunde aufladen dann braucht es halt so lange, halt ein paar Minuten.

00:10:11: Wenn ich natürlich jetzt ein sehr langsames Experiment mache dann braucht das dementsprechend länger.

00:10:15: Es gibt halt zwei Arten von Experimenten.

00:10:17: das eine ist das sogenannte sequenzielle Experimentieren, sprich ich mache ein Experiment nach dem anderen und dann gibt es halt das sogenannte Parallel experimentieren wo ich halt alle Experimente parallel durchführen kann.

00:10:29: In der Regel macht man so dass man die sequenziellen Experimenten eher kurz hält weil wenn ich nacheinander etwas machen muss und einen Schritt brauchen nun mal sagen wir fünf bis zehn Minuten das ist ungefähr die Zeit die wir für den Experiment brauchen dann bin ich halt einfach in meinem Durchsatz dadurch limitiert, weil man kann ganz einfach vierundzwanzig Stunden durch zehn Minuten teilen.

00:10:49: Dann weiß man wie viele Experimente man an einer Maschine am Tag tatsächlich hinbekommt.

00:10:54: beim Parallel-Experimentieren ist es halt dann eher so, ich nehme da wirklich die Langzeitexperimente halt Dinge, die durchaus mal eine Woche bis einen Monat brauchen um so ne Batterie wirklich komplett kaputt zu zyklen braucht dass manchmal durchaus ein Monat oder zwei Und das macht man dann parallel, indem man mehrere Kanäle hat.

00:11:12: Wie gesagt, eightundzwanzig oder so, vierundsechzig Kanälen ist dann schon durchaus eine Option um das durchzuführen.

00:11:18: Also man kann sich das doch nicht ganz so als Fließband vorstellen dass die Proben dann irgendwie durchlaufen und dann irgendwie ja von von Robotern analysiert werden und dann immer weiter laufen und dann verschiedene Tests gemacht werden sondern sie sind eigentlich immer an einem Ort oder wie?

00:11:33: In erster Näherung kann man sich das schon so vorstellen wie eine Art Fließband.

00:11:40: Wir haben größere Roboter bei uns im Labor stehen, die in der Lage sind diese Proben zu greifen und dann zur nächsten Messstationen rüberzufahren.

00:11:49: In der Regel sprechen wir eher davon dass wir die verschiedenen Schritte miteinander integrieren möchten.

00:11:54: Integration heißt, dass witzigerweise der wirklich komplizierte Schritt in der Forschung gar nicht mal der Transport von einer Probe A nach B ist, also quasi von der Herstellung zur Charakterisierung.

00:12:07: Das geht relativ schnell, da könnte ich mich einfach ins Labor stellen und die hin- und hertragen.

00:12:13: Das wirklich komplizierte ist sozusagen den gleichen Punkt zu treffen wo ich gemessen habe.

00:12:20: man stelle sich vor Ich habe jetzt auf meinem Blatt Papier bei weiß nicht fünf Zentimeter von links zehn Zentimeter vom oben diesen Buchstaben E gefunden.

00:12:30: Jetzt bringe ich das Ganze rüber zu einer anderen Messstation, wo wir keine Ahnung die Feuchtigkeit des Papiers messen.

00:12:38: Weil was weiß ich?

00:12:39: Vielleicht hat jemand seinen Kaffee da drauf gestellt und wir wollen jetzt irgendwie untersuchen ob man dann die Buchstaben besser oder schlechter lesen kann mit dem Kaffeering drauf.

00:12:48: Jetzt müsste ich irgendwie eine Möglichkeit haben diese Feuchtigkeitsmessung mit dem Auslesen des Buchstabens Ja, miteinander zu korrelieren.

00:12:58: Also das sozusagen zu sagen okay hier habe ich diese beiden Sachen wirklich gemessen und dass ist dann tatsächlich der Schritt wo die meisten Leute am Rechner die meiste Zeit daran verbringen.

00:13:10: so Größenordnungsmäßig es halt so ist kostet mich vielleicht zwei Minuten die Probe von A nach B zu tragen allerdings tatsächlich die Messdaten aus zwei unterschiedlichen Instrumenten miteinander zusammenzuführen, das kann tatsächlich mal Tage bis Wochen brauchen.

00:13:26: Jetzt wollen Batterieforscher ja nicht unbedingt ehes Buchstaben rausfinden sondern es geht um Materialeigenschaften.

00:13:33: als sie hier angefangen haben haben Sie das Bild einer eine Karte gezeichnet also dass quasi ein Batterieforcher durch eine Art Terrain geht und die optimalen Höhen also die Berge herausfindet wo quasi Material Eigenschaften insgesamt Am höchsten sind oder am besten sind für Batterien.

00:13:52: Jetzt verstehe ich das aber so, dass es natürlich verschiedene Einsatzorte, verschiedene Materialkombinationen gibt.

00:13:59: Das heißt sie geben dem Roboter vor welches Kartenstück er kartografieren soll?

00:14:05: Oder wie muss ich mir das vorstellen?

00:14:07: Man kann sich das dann tatsächlich so vorstellen wie ein Gebirge.

00:14:09: Ja, man nehme jetzt zum Beispiel, keine Ahnung, das Matterhorn als Beispiel und was ich jetzt machen möchte ist... Jetzt gehen wir davon aus dass das Matterhorn die optimale Batterie und wir messen jetzt Optimalität als wie lange eine Batterie jetzt hält.

00:14:27: In der Regel wenn ich in die Berge gehe bin ich mir relativ sicher ob ich gerade bergauf oder bergunter gehe.

00:14:33: Bergauf geht nicht kostet Energie auch ein bisschen Energie, aber es ist auf jeden Fall leichter.

00:14:38: Wir haben quasi Methoden um zu sagen okay in dieser chemischen Landkarte die ich kartografieren möchte gehe nach links oder rechts und ich kann das auch messen wie viel ich halt gegangen bin.

00:14:50: Und wir haben schon eine gewisse Idee indem wir etwas, ich sage mal wir haben es vorkartografiert Das ist quasi so wir schmeißen mal den Ball einfach in die Berge und gucken halt auf welcher Höhe der Ball gelandet ist.

00:15:05: Algorithmus-Fragen ist okay.

00:15:08: Sach uns doch mal, da drüben in der Nähe von was weiß ich, Kitzbühel oder da drüber in der nähe von Ulm wie hoch sind wir denn dann da?

00:15:16: Und dann sagt er uns okay, du bist wahrscheinlich keine Ahnung.

00:15:19: Tausend Meter über normal Null mit einer Unsicherheit von einem gewissen Grad.

00:15:23: und dann sagen wir ok die Unsicherkeit ist da relativ groß.

00:15:27: allerdings das sieht ja aus als wenn dass das nächste Matterhorn wäre.

00:15:32: Dann gehen wir da mal hin und messen tatsächlich und stellen dann halt meistens fest nah dran ist und aber noch nicht ganz optimal.

00:15:38: Und in diesem Falle verbessern wir sozusagen das, was aus dem Experiment rauskommt.

00:15:42: Aber wir verbessern auch das Modell da wie immer dahin gehen wo das Model halt besonders unsicher ist?

00:15:47: Ich habe mir mal vorgestellt dass ohne die Automatisierung der Bergsteiger mehr oder weniger blind ist und irgendwie sozusagen Probe halber auf die Karte zeigt.

00:15:56: und sie können mit dieser Robotik sozusagen ein klares Bild dieser Karte zeichnen und lokale Höhen definieren.

00:16:04: jetzt nehme ich mal an dass es nicht nur sozusagen diese drei Achsen gibt, sondern wenn man die Materialien mal nimmt wahrscheinlich... Multiple Achsen gibt sozusagen Variablen, die man dort versucht zu kartografieren.

00:16:15: Auch das ist wahrscheinlich irre kompliziert oder?

00:16:17: Genau!

00:16:18: Das ist sozusagen ein Bergsteiger der irgendwie in sieben oder acht Dimensionen rumgeht.

00:16:23: Der ist wahrscheinlich gerade auf einem komischen Drogentrip.

00:16:26: Also was wir natürlich machen, ist quasi anstatt dass wir mit dem Bergsteig relativ langsam uns da entlang hangeln.

00:16:36: es ist quasi so wie steigen Helikopter und fliegen über die Berge Und wir machen das natürlich nicht, wir sehen nicht alles was der Bergsteiger sieht.

00:16:45: Das muss man auch ganz klar so sagen wie wenn man es schnell macht dann mach man's meistens nicht so gründlich.

00:16:50: Es ist so wie beim Aufräum zu Hause.

00:16:53: Wir fliegen quasi mit unserem Helikopter halt darüber und schauen uns die Landschaft grob an aber können sozusagen auch in die Landschacht rein so mehr.

00:17:02: Wir haben quasi unser Teleobjektiv.

00:17:04: Das wäre halt bei uns eines der neuen Geräte.

00:17:07: Und dieses genau, diese Zoom wäre dann ein konkreter Arbeitsauftrag für ihre Roboter die sagen jetzt lege ich mal folgende Variablen schon fest guckt euch das mal genauer an macht tausende Proben innerhalb von wenigen Wochen?

00:17:20: Genau

00:17:20: indem ich in dem ich halt entweder... Man kann es halt so machen indem man halt entweder den Bereich indem ich etwas variiere stark einschränkt oder indem ich bei diesem analog zu bleiben von einem Teleobjektiv, dass sich dann halt eine zusätzliche Methode verwendet die mir sozusagen eine neue Erkenntnis zum Beispiel über die chemische Struktur und die Kristallstruktur gibt.

00:17:46: Das ist durchaus möglich und das macht dann auch immer ein bisschen Spaß, weil man halt sitzt im Labor.

00:17:52: Man findet was Neues und ganz häufig hat man den Fall.

00:17:56: Man schaut ihn in die Literatur und stellt fest hey dieses Material hat in dieser Kombination tatsächlich noch nie jemand hergestellt!

00:18:03: Jetzt geht und vielleicht funktioniert das dann auch sogar noch gut, dann werden zwei Würfelzucker in den Kaffee reingeschmissen.

00:18:10: Und dann geht man halt hin und ja, man fängt an so ein bisschen verrückt zu werden und die ganzen coolen Methoden, die im Labor herumstehen tatsächlich mal auszuprobieren.

00:18:21: Jetzt ist es schon angeklungen des Thema künstliche Intelligenz.

00:18:24: Vielleicht können Sie das nochmal definieren.

00:18:27: Was ist denn eigentlich künstliche Intelligenz?

00:18:29: Was ist maschinelles Lernen, ist es wirklich Intelligenze mit der sie da arbeiten oder damit er gearbeitet werden kann auch irgendwo anders vielleicht in der Batterieforschung?

00:18:38: Ja also dieser Begriff Künstlich-Intelligence Deep Learning und was alles rumschwört sind immer sehr schwammig definiert.

00:18:49: Wo ich mich meistens versuche daran lang zu orientieren, ist im Prinzip auch so dieses Diktum wie es in der Informatik dann teilweise genommen wird.

00:18:59: Dass man halt sagt okay wir sprechen jetzt mal nicht von der künstlichen Intelligenz oder dem maschinellen Lernen sondern Artificial.

00:19:07: Naja können man auch übersetzen mit kunstfertig um das ein bisschen konservativer Deutscher zu übersetzen.

00:19:13: und Intelligence, naja das können wir halt auch übersetzen mit Datenverarbeitung.

00:19:18: Ein Beispiel dass man Intelligence auch durchaus anders übersetzen kann als mit Intelligenz wäre zum Beispiel die klassische CIA.

00:19:25: ja das ist ja die Central Intelligence Agency da steht das Intelligence halt nicht für.

00:19:31: Ja Intelligenze komische Übersetzung dieser Agentur.

00:19:36: Es ist halt ein Geheimdienst und da ist die Intelligence tatsächlich eher sozusagen die Erkenntnisse, in diesem Fall würde ich es tatsächlich manchmal einfach übersetzen mit.

00:19:45: Kunstfertige Datenverarbeitung.

00:19:47: Und das ist was wir machen, wir nutzen oder bedienen uns bestimmte Algorithmen die manchmal ganz banale Dinge machen also zum Beispiel einen Algorithmus den wir mal vor knapp zwei Jahren publiziert haben der macht nichts anderes als den Untergrund von einem Spektrum halt herauszufiltern.

00:20:05: ja dass man kann sich das so vorstellen ich könnte auch funktioniert auch für Bilder.

00:20:10: Ja, ich nehme halt immer irgendwelche Gesichter auf.

00:20:13: Im Hintergrund ist irgendwie eine weiße Wand oder irgendwie immer irgendeine andere Art von Wand.

00:20:18: Dann kann ich sozusagen über so ein Algorithmus jetzt die Wand herausfiltern und das ist einfach transparent machen möchte wie man das vielleicht so, ne?

00:20:26: Wenn man in irgendeiner Videokonferenz sitzt dass man den Hintergrund einmal rausfiltert.

00:20:31: So was können wir zum Beispiel machen.

00:20:32: Das ist eine Möglichkeit.

00:20:34: Wir haben auch andere Möglichkeiten, dass man z.B.

00:20:36: sowas macht Phasenbereich, also wo bestimmte Kristallstrukturen auftreten als Funktion der Zusammensetzung.

00:20:42: Dass man das automatisch herausfindet und ich sage mal, dass sind so... Man hat eine Art Werkzeugkasten, der halt sozusagen diese ganze KI-Methodik ist.

00:20:53: Da kann man sich verschiedene Tools herausgreifen und die machen einem das Leben dann schon wesentlich einfacher.

00:20:59: Man kann es auch für durchaus andere Bereiche in der Batterieforschung benutzen aber wir sehr weit davon entfernt, dass ich das eine wirkliche künstliche Intelligenz nennen würde.

00:21:11: Da sind wir nicht.

00:21:12: was wir halt wofür es eher benutzen ist zur Darstellung zum Beschleunigten verstehen oder aber zur Optimierung von bestimmten Eigenschaften.

00:21:20: Können Sie das nochmal ein bisschen genauer erläutern?

00:21:23: Was die KI jetzt konkret in Ihrem Fall kann und was sie dann nicht kann?

00:21:27: Also was unsere KI kann, ist halt einmal uns darin assistieren, dass wir z.B.

00:21:33: den Untergrund abziehen oder aber dass wir bestimmte, ich sage mal allgemeine Muster erkennen.

00:21:38: Die Mustererkennung ist eine ganz klassische Anwendung in der KI-Forschung.

00:21:42: Was wir zum Beispiel machen können, ist... Wir können sehr viele Röntgenpattern aufnehmen.

00:21:48: Das ist so.

00:21:48: Beugung das hat was mit der Kristallstruktur eines Materials zu tun indem man da mit Röentgenstahlen drauf macht.

00:21:53: Entschuldigung

00:21:54: reden wir dann über Bilderkennungen?

00:21:56: Im Prinzip über Bilderkennung, genau.

00:21:58: Und was man jetzt quasi macht ist... ...um als Vergleich zur Bilderkennung wäre es halt so ich nehme diese Spektren auf oder diffraktogramme und es ist jetzt so Ich möchte einfach Gesichter erkennen ja?

00:22:11: Ich möchte halt immer sagen okay das war Person A B oder C und im Prinzip hilft uns dann die KI Dann dabei halt zu identifizieren.

00:22:20: ok Ist das personen schrägstrich Kristallstruktur A, B oder C. Das ist eine Möglichkeit.

00:22:25: Eine andere Möglichkeit ist wie gesagt dieses aktive Lernen.

00:22:28: und das aktive lern hat halt diesen Vorteil dass man versucht etwas zu optimieren.

00:22:34: Man optimiert allerdings nicht nur sozusagen das was hinten bei rauskommt bei dem experiment man optimiert halt gleichzeitig auch das modell.

00:22:40: was mir also das ist dann das machine learning model Dieses Modell was wir sozusagen das experiment beschreibt.

00:22:46: ich fasse es für den moment jetzt mal zusammen sie haben hier eine robotik strecke stehen die mittels hundert tausenden experimenten jeden tag eine riesige menge von daten liefert.

00:22:58: das betrifft aber noch nicht den analyse teil dieser diese data.

00:23:04: da haben sie gesagt sie haben einen bauchasten.

00:23:07: für mich ist die frage wo ist denn jetzt der übergang zwischen maschinellem lern und dieser künstlichen intelligenz.

00:23:14: weil tatsächlich ist es ja noch nicht intelligent wenn dieser roboter sozusagen erst mal die aufgaben Erledigt, die sie ihm geben.

00:23:23: Also das müsste er ja von sich machen und das tut dann noch nicht so wie ich das verstanden habe.

00:23:28: Ja

00:23:29: das tut da noch nicht also ist sozusagen nicht frei in seinen Entscheidungen.

00:23:33: haben das meistens so, dass sozusagen die Aufgaben sind sehr eng gefasst.

00:23:37: Das sind dann halt bestimmte Analyse-Tasks sowas wie okay.

00:23:42: bitte sag mir jetzt mal welche Kristallstrukturen ich hier drin habe.

00:23:47: Dass wirklich kreative und manchmal auch etwas kompliziertere.

00:23:52: Das wird tatsächlich immer noch durch uns gemacht weil ich bin einmal ein großer Fan von dieser hybriden Arbeitsteilung, dass man sagt ok ich lasse den Computer das machen, was ihr sagt mal richtig viele Daten braucht wo ich auch gar nicht so richtig durchsteigen würde.

00:24:09: Aber wenn er mir das danach in einer Art kondensierten Form präsentiert dass sich einfach nur noch sagen muss ah ja das sieht aus wie keine Ahnung Kobaltoxid und ich dann daraus irgendwelche Schlüsse mache Das ist wesentlich schneller und das ist eine Arbeitsteilung die heute schon durchaus nicht nur gut sondern sehr gut funktioniert.

00:24:30: Und da, da setzen wir dann halt an und versuchen sozusagen uns immer weiter ein bisschen herauszuziehen.

00:24:36: So ähnlich wie beim Autonomen fahren.

00:24:39: ja man muss auch jetzt wenn man Auto hat was so etwas teilweise schon kann.

00:24:43: Man muss halt ab und zu eingreifen und das Ziel ist halt einfach dass sich mit der Zeit immer weniger häufig eingreifen muss, um sozusagen das System immer länger für sich laufen zu lassen.

00:24:54: In der Zeit müssen wir halt noch einige Experimente planen und halt mal sagen okay, wir machen jetzt mal dieses, wir mache jetzt mal jenes Aber hoffentlich mit ein bisschen mehr Zeit werden wir halt dahin gehen, dass wir sozusagen von diesem Level II Autonomie wo man noch häufiger eingreifen muss dann zu den nächsten Leveln hinzugehen.

00:25:15: Das ist wirklich so eine Art selbstfahrendes Labor.

00:25:19: Wenn Sie jetzt sagen das die KI noch lernt und Ihnen aber schon Datensätze zur Verfügung stellt und Auswertung – woher wissen sie denn, dass die dann stimmen?

00:25:31: Naja, das ist immer so eine sehr interessante Frage.

00:25:34: Ob man ein sogenanntes Convexes-Problem hat oder nicht?

00:25:38: Und zwar sind viele Probleme in den Naturwissenschaften halt sozusagen offen.

00:25:44: Das heißt wir wissen nicht was das absolute Optimum ist.

00:25:48: Also klar, ne Batterie kann theoretisch... Es gibt jetzt keinen physikalischen Grund warum nicht eine Batterie eventuell auch unendlich viele Ladezyklen halten könnte wenn man sie denn findet.

00:25:59: sehr unwahrscheinlich, allerdings.

00:26:00: es wäre durchaus möglich und das wäre halt so ein Problem wo wir einfach nicht sagen können.

00:26:05: okay sind wir jetzt wirklich beim Optimum oder nicht?

00:26:09: Was wir durchaus sagen können ist wir haben bestimmte Indikatoren wie gut so einen Modell ist.

00:26:16: Das macht man zum Beispiel über den Fehler.

00:26:19: kann man sowas machen?

00:26:20: lässt das Modell mal laufen und schaut, naja was passiert denn wenn ich die Hälfte der Daten nehme?

00:26:25: Wird das Model jetzt wesentlich schlechter?

00:26:27: oder wenn ich jetzt die doppelte Datenmenge nehme wird das Modellen dann wesentlich besser.

00:26:30: Und meistens sieht man so dass je größer der Datensatz wird desto weniger besser wird dann halt auch nachher das Modelle.

00:26:38: Das heißt irgendwann hat man ein oberes Limit erreicht.

00:26:41: wo tatsächlich heutzutage die meisten Algorithmen noch sehr schlecht drin sind ist da tatsächlich darin Entscheidungen zu treffen.

00:26:50: Und dieses Entscheidungstreffen und auch das kreative Entscheidungtreffen, die man in der Forschung für die Künstliche Intelligenz hat.

00:27:01: Das ist definitiv nicht mein Feld denn ich bin... von Hause aus eigentlich Materialphysiker und kein Informatiker.

00:27:11: Aber das ist so die große Sache, dass man halt Entscheidungen treffen kann weil auch was zum Beispiel heute beim autonomen Fahren der Fall ist wir können Kanten sehr gut erkennen.

00:27:19: Wir können erkennen Ist es die Straße oder nicht?

00:27:22: Aber so eine Entscheidung, welche Spur nehme ich jetzt um optimal an mein Ziel zu kommen oder irgendwelche Kisten auf der Straße zum Fahren?

00:27:32: Das ist schon eher schwieriger.

00:27:34: Oder auch irgendwelchen Entscheidungen wo es dann halt um Leben oder Tod geht.

00:27:38: Zum Glück tut das bei uns im Labor nicht.

00:27:40: aber das sind durchaus schwere und noch größtenteils ungelöste Fragen die man erstmal klären muss und da würde ich dann den Ball an die Informatikerin weitergeben.

00:27:51: Haben Sie einen gewissen Zeitplan bis eine gewisse Autonomie erreicht ist, dass sie im Prinzip zufrieden sind?

00:28:00: Die Frage ist ja, möchte ich alle meine Mitarbeiterinnen und Mitarbeiter und Kolleginnen und Kollegen jetzt losmachen?

00:28:07: Das ist natürlich nicht der Fall!

00:28:09: Ich glaube tatsächlich das es so ist.

00:28:12: wir können mithilfe der KI und mit Hilfe der Automatisierung, die Materialwissenschaften deutlich beschleunigen.

00:28:20: Und zwar wirklich um den Faktor von zehn bis hundert.

00:28:23: Das ist halt auch ein größeres EU-Projekt.

00:28:25: was wir jetzt derzeit haben das nennt sich Big Map.

00:28:28: da haben wir tatsächlich als Ziel die Art und Weise wie wir forschen zu revolutionieren und da heißt es okay wir wollen das jetzt einfach zehn mal schneller machen weil derzeit brauchen wir ungefähr vierzig Jahre bisschen Material Initialen Entdeckung bis zur Marktreife geführt ist.

00:28:45: Sieht man zum Beispiel auch bei Lithium-Ionenbatterien, wir haben jetzt Autos die wurden mal vor dreißigvierzig Jahren erfunden und das war schon eine extrem schnelle Markteinführung und Marktdurchdringungen Und wir hoffen diesen Prozess zu beschleunigen vielleicht auch mal irgendwann um den Faktor hundert, aber ich glaube dass es immer noch in zehn zwanzig oder dreißig Jahren durchaus viel und genug Arbeit geben wird für Leute die sich für die Materialwissenschaften interessieren.

00:29:12: Weil wir können die einfachen oder auch arbeitsintensive Schritte durchaus automatisieren und durch künstliche Intelligenz beschleunigen allerdings sowas wie eine wirklich kreative Entscheidung zu treffen.

00:29:28: Nehmen wir als Beispiel für die Lithium-Ionenbatterien das ganze Konzept von einer Interkalationsanode oder Kathode.

00:29:36: Ich kann sozusagen um in diesem Bild des Wanderers zu bleiben, ich kann keine Ableitung finden für etwas völlig kreatives, völlig sprunghaftes, dass man jetzt plötzlich sagt naja okay das sind völlig andere Mechanismus und so was rauszufinden Dafür werden wir auch in Zukunft noch definitiven Menschen im Labor brauchen.

00:29:56: Allerdings dann sozusagen hinzugehen, okay hier ist ein neuer Mechanismus mit dem du Batterien bauen kannst den dann zu optimieren indem man halt neue Materialien hinzumischt und bisschen die Prozesse verändert.

00:30:08: also was da sehe ich durchaus eine gute Zukunft für die KI Und da sind wir auch schon als Gesamtgemeinschaft ganz gut dabei.

00:30:17: Ja Herr Professor Stein, das ist ja ein sehr innovatives Projekt wo sie im Prinzip die Sachen wirklich von der Graswurzel aufgebaut haben.

00:30:26: Das heißt wir haben auch wirklich viel selbst einfach entwickelt an... Geräten, die sie dann später nutzen oder an gewissen Anwendungen.

00:30:34: Können Sie da vielleicht noch mal einen kleinen Einblick geben?

00:30:36: Weil das doch sehr spannend war!

00:30:37: Ja

00:30:37: wir haben alle sehr viele Hüte auf, die Leute, die bei mir im Team sind.

00:30:42: Vielleicht zu mir selber ich habe mal irgendwann Physik studiert und hab dann im Maschinenbau promoviert.

00:30:48: eher nicht so häufig dass es vorkommt war dann für meinen Postdoc in den USA, in der Chemie bzw.

00:30:54: auch im Chemical Engineering-Wesen um nicht den Anglizismus zu verwenden und bin jetzt halt in der Elektrochemie sozusagen gelandet.

00:31:02: das ist dann die physikalische Chemie.

00:31:04: da schließt sich wieder ein bisschen der Kreis zur Chemie.

00:31:06: aber es ist halt ich habe diese drei vier Hüte.

00:31:08: dann hab' ich noch so ein bisschen Informatik immer noch nebenbei gemacht.

00:31:12: aber auch zum Beispiel eine Doktorantin von mir hat sage und schreibe drei verschiedene Master Ein in Materialwissenschaften, ein in der Biologie und einen noch in der Informatik.

00:31:23: Also es ist ganz grandios.

00:31:26: Andere Mitarbeiter von mir haben auch durchaus diesen Hintergrund aus ab und zu mal Informatikum oder Physik oder Chemie und Informatiken.

00:31:36: Das kommen schon viele Sachen zusammen und das macht furchtbar viel Spaß.

00:31:39: denn was wir tatsächlich machen ist wir versuchen halt einen wirklichen Mehrwert für die Materialwissenschaften zu erreichen indem Ich sage mal eigentlich sehr schönen Werkzeuge aus den anderen Disziplinen bei uns hereinbringen, um das vielleicht auch so ein bisschen zu wiederholen.

00:31:56: Wir machen halt eigentlich keine Robotik.

00:31:58: also einen Robotiker würde mehr oder minder über das bisschen Robotik was wir machen lachen.

00:32:05: Das gleiche manchmal auch bei den Informatikern durchaus.

00:32:08: die sind dann naja okay wir sind halt eher Anwender für die Informatikum und für die Robotik.

00:32:14: Allerdings den Mehrwert, den wir dann in die Materialwissenschaften reingeben ist halt immens.

00:32:18: Einfach dadurch dass wir in der Lage sind ja nicht nur viel sondern auch sehr sehr wiederholbar Experimente durchzuführen und das versetzt uns dann in eine Lage wo wir vorhin noch nicht waren.

00:32:30: Das ist halt irgendeine Art ... Ja kann man schon sagen so eine Art Quantensprung weil wir völlig neue Erkenntnisse gewinnen können einfach aufgrund Diversität unserer Daten und halt auch einfach durch die Anzahl an Daten.

00:32:46: Und als großes Datenwissenschaftsprojekt für die Batterieforschung ist natürlich BigMap zu nennen, das sogenannte Battery Interface Genome Materials Acceleration Platform Projekt der EU wo knapp vierzig Partnerinnen und Partner aus vierzig Universitäten zusammenarbeiten.

00:33:03: Und das ist ein gigantisches Projekt auf EU-Ebene, wo alle Leute aus ganz vielen verschiedenen Bereichen der Batterieforschung von der Grundlagenwissenschaft bis zur Produktionsforschung zusammenkommen und versuchen mit diesen neuen Methoden das Ganze zu beschleunigen.

00:33:20: Ein schönes Schlusswort!

00:33:22: Vielen Dank für Ihr Kommen, Herr Stein.

00:33:24: Ja das war ein sehr interessanter Podcast, ein bisschen anders als die anderen weil er nicht so traditionell vielleicht Batterieforschung thematisiert hat.

00:33:32: Daniel ich überlasse dir das Schlusswort!

00:33:35: Ja vielen dank Patrick, herzlichen Dank auch nochmal an Sie Herr Stein für diese sehr interessanten Einblicke in jedoch sehr innovative Forschungen, die sie hier machen.

00:33:44: Das ist jetzt unsere letzte Folge in diesem Jahr gewesen und wir freuen uns dann schon aufs nächste Jahr mit ganz neuen spannenden Themen wie beispielsweise Batterie Recycling oder Produktion von Batteriezellen.

00:33:56: Da wird einiges auf uns und Sie zukommen, und wir freuen uns wenn sie wieder rein hören!

00:34:00: Wenn Sie da draußen Fragen haben an Herrn Stein oder an uns, dann melden Sie uns das doch an Daniel.meslingatkit.edu Oder an michpatrik.rosenatkIT.edu.

00:34:13: Ed Helmholtz Ulm oder Edpolis Exzellenzklaster.

00:34:17: Vielen Dank fürs Zuhören, bis zum nächsten Mal!

00:34:19: Bis ins nächste Jahr – alles Gute!

00:34:39: Tschüss!

00:34:47: Eine Forschungsplattform des Karlsruhe Instituts für Technologie, der Universität Ulm und des Zentrums

00:34:52: für

00:34:53: Sonnenenergie- und Wasserstoffforschung

00:34:54: Baden-Württemberg.