Prof. Ph. D. Xiaoying Zhuang

Die Forschungsschwerpunkte von Prof. Xiaoying Zhuang sind maschinelles Lernen und Computational Mechanics mit Schwerpunkt auf Multiphysik/Multiskalenmodellierung für das Design neuartiger Verbundwerkstoffe und Metamaterialien. Sie hat bisher mehr als 200 Artikel in internationalen Zeitschriften wie Advanced Materials und Nano Energy veröffentlicht, die im Web of Science mehr als 14000 Zitate enthalten. Sie ist als Standford/Elsevier's Word's Top 2% Scientists und ISI Highly Cited Researcher gelistet. Sie wurde mit zahlreichen Preisen ausgezeichnet, darunter ERC Starting Grant, Heisenberg-Professor, Sofja Kovaleskaja-Preis, Heinz-Maier-Leibnitz-Preis.

Das von Prof. Zhuang geleitete Team an der LUH verfügt über umfangreiche Erfahrung in der Entwicklung von Methoden des maschinellen Lernens und Deep Learning für das inverse Design von 2D-Materialien und Metamaterialien. 2D-Materialien verfügen über einige einzigartige Eigenschaften, die andere herkömmliche Materialien nicht haben, und haben daher in den letzten Jahren große Aufmerksamkeit auf sich gezogen. Die Simulation neuer Materialien war jedoch in der Vergangenheit ein zeitaufwändiger Prozess, insbesondere dann, wenn keine potenziellen Funktionen für sie verfügbar waren. Herkömmliche Methoden erfordern oft einen erheblichen Zeit- und Ressourcenaufwand für die Entwicklung und Validierung neuer potenzieller Funktionen. Mit den Fortschritten des maschinellen Lernens sind Methoden wie das maschinelle Lernen interatomarer Potenziale (MLIP) entstanden, die diesen Prozess erheblich beschleunigen.

Das Team von Prof. Zhuang schlug den ersten Rahmen für eine auf MLIP basierende Mehrskalenmodellierung nach den ersten Prinzipien vor, der sich bequem und schnell mit kurzen ab-initio-Datensätzen trainieren lässt. Es zeigt, dass mechanische und Versagensreaktionen komplexer Nanostrukturen auf der Kontinuumsskala mit der Präzision anspruchsvoller First-Principles-Berechnungen, zu erschwinglichen Rechenkosten und ohne die Notwendigkeit empirischer Daten erforscht werden können. Ein solcher Ansatz birgt großes Potenzial für die Entwicklung vollautomatischer und gekoppelter Plattformen für neue Materialien.