Videnskabelig maskinlæring til fremme af forståelsen af 4D mikrostrukturel udvikling i metaller

Dette projekt har til formål at udvikle videnskabeligt informeret generativ kunstig intelligens (VIG-AI) metoder til at analysere og forudsige den fire dimensionale (x, y, z, tid) mikrostrukturelle udvikling i industrielt relevante aluminiumlegeringer. Ved at integrere avancerede synkrotronrøntgendata med fysikbaseret modellering søger vi at overvinde de nuværende udfordringer i forståelsen af metalmikrostrukturer på forskellige længdeskalaer. Inspireret af de nye forskningsområder som Videnskabelig maskinlæring (SciML), Generativ AI (GenAI) og kraftfulde datadrevne metoder som Conditional Flow Matching (CFM), vil vi udvikle og demonstrere SIG-AI's kapaciteter til 4D (x, y, z, tid) studier af partikler og korn i aluminium. Hvis projektet lykkes, kan konceptet sandsynligvis ret nemt udvides til andre metalliske systemer og processer, hvilket vil åbne helt nye effektive metoder til design af fremtidens metaller og legeringer.