Md. Saidul Islam

Materialwissenschaftler (M.Sc., CAU Kiel), der Physik erster Prinzipien mit datengetriebenen Modellen über verschiedene Skalen hinweg verbindet.

Aktuell: ein von GNoME inspiriertes strukturelles GNN, live auf dem Matbench-Discovery-Leaderboard — Platz 2 nach F1, Platz 1 nach MAE unter den Direkt-Vorhersage-Modellen, unabhängig verifiziert und gemerged. Derzeit im Aufbau: ein domänenspezifisches interatomares Potenzial vom Nequip-Typ sowie eine Untersuchung des Spannungs-Dehnungs-Verhaltens der Sigma-Phase im Fe-Cr-System mittels DFT (QE), um ein Surrogatmodell phasensensitiv zu erweitern.

Durchgängiges Prinzip: Modelle, die erklären, nicht nur vorhersagen. SINDy rekonstruierte die zugrunde liegenden Bewegungsgleichungen direkt aus Sensorsignalen (R² ≈ 0,99, Genauigkeit auf ANN-Niveau, volle Interpretierbarkeit); Dateninfrastrukturen wie z. B. die öffentliche Abfrageschnittstelle einer neuro-symbolischen Pipeline, die ein LoRA-feingetuntes Llama 3.2 mit einem RDF-Wissensgraphen koppelt, bereitgestellt auf Hugging Face zur Kandidatensuche für funktionale (z. B. ferroelektrische) Halbleiter; eine DFT → ML → CALPHAD → FEM-Pipeline, die temperatur- und phasenhomogenisierte Eigenschaften (298–1200 K, 0–100 % Cr) extrahiert, vorhersagt und validiert, mit der TDB-berechneten Curie-/Néel-Kurve überlagert, sowie ein zusammensetzungsabhängiges, korrigiertes Elastizitätsmodul (Eᵣ innerhalb ±12 % der Hill-VRH-Referenz); parametrische MD- und DFT-Studien kartierten Steifigkeits- und Bandlücken-Verhalten in Si-Nanodrähten und gedehntem Graphen.

Wichtigste Forschungsergebnisse →

Implementierungsdetails Git-versioniert. Siehe GitHub.