Ausgewählte Projekte
Einige meiner aktuellen Arbeiten. GitHub-Links jeweils in der Karte.
Erste-Prinzipien-Studien
Fe–Cr-Elastizitätskonstanten — DFT → ML → FEM
Fe–Cr-Elastizitätskonstanten-Pipeline (DFT→ML→FEM) zur Vorhersage des Nanoindentationsmoduls über den gesamten BCC-Zusammensetzungsbereich — korrigiertes Eᵣ folgt Hill-VRH innerhalb ±12 %.
QE · CCX · ParaViewMLP R²=0,91 C11: 312→448 GPaEᵣ: 197→274 GPa
Mechanisches Verhalten von Si-Nanodrähten — parametrische MD
Einachsige Zugverformung von [001]-Si-Nanodrähten über 16 Kombinationen (Durchmesser × Dehnrate) mit dem Tersoff-Potenzial. Das Oberflächen-Volumen-Verhältnis, nicht die Dehnrate, bestimmt die Steifigkeit.
LAMMPSTersoff E: 34→44 GPa16-Läufe-Sweep
Dirac-Kegel in Graphen unter einachsiger Dehnung — DFT
Erste-Prinzipien-PBE-Studie (Quantum ESPRESSO) zur Robustheit des Dirac-Kegels unter 0–20 % Zickzack-Dehnung. 2D-k-Scans zeigen, dass der 1D-Bandpfad die Lücke bei 4 % um das 23-Fache überschätzt — der Kegel bleibt bis ~10 % erhalten.
Quantum ESPRESSOPBE/PAW 11 Dehnungsstufen2D-k-Scan
ML für Materialien
EMA-GNN — Strukturelles GNN für Kristallstabilität
Strukturelles GNN zur direkten Vorhersage der Kristallstabilität, live auf dem Matbench-Discovery-Leaderboard — Platz 3 nach F1, Platz 1 nach MAE unter den IS2E-Direkt-Vorhersage-Modellen.
PyTorch GeometricMatbench Discovery F1 0,566 · MAE 0,084 eV/Atom3./6 IS2E · 1. MAE
2D-lineare Elastizität via PINN
Physik-informiertes NN für schnelle, physikalisch konsistente Feldvorhersagen.
PINNFEM Val.-Loss 2,22
Schmelzpunkt-Vorhersage (2-stufiges Ensemble)
Gestapeltes RF/XGB/LGBM/MLP mit SHAP-geführten Merkmalen.
R² ≈ 0,83~3.041k Proben 2-stufiges Ensemble
Zuordnung von Oxidationsstufen
Soft-Voting-Ensemble auf schlanken OQMD/ICSD-Daten — wettbewerbsfähige Qualität bei ~15× weniger Daten als typische Literatur-Datensätze.
Proxy-R² ≈ 0,91~7k OQMD Gewichtetes Soft Voting
Daten- & Informatik-Infrastruktur
Materialdatenbank-App
Auto-ETL + Flask-UI zur Verfolgung von Datensätzen → Merkmalen → Ergebnissen mit FAIR-konformer Provenienz und sicherer Dateibereitstellung.
Auto-ETLFlask + SQLite FAIR / Provenienz
Semantische Bandlücke (LLM + KG)
RDF/SPARQL-Schema mit lokalem LLM (llama3.2) für erklärbare, natürlichsprachliche Materialabfragen.
RDF/SPARQLLLM Erklärbar