Seit 11/2023 Wissenschaftlicher Mitarbeiter und Doktorand, Institut für Materials Resource Management, Universit?t Augsburg

04/2021 - 10/2023 Master of Science, Wirtschaftsingenieurwesen, Schwerpunkt: Materials Engineering, Universit?t Augsburg

07/2021 - 07/2023 Werkstudent bei Siemens Digital Industry Software, München

09/2019 - 02/2020 Auslandssemester, Bachelor of Science, Industrial Electrical Engineering, Universitat de Valencia

10/2017 - 04/2021 Bachelor of Science, Wirtschaftsingenieurwesen, Schwerpunkt: Design of Functional Materials & Products

Die Forschung im Bereich des inversen Designs von Verbundwerkstoffen konzentriert sich auf die ?berwindung der Grenzen traditioneller numerischer und gradienten-basierter Methoden durch den Einsatz von Methoden des tiefen best?rkenden Lernens. W?hrend herk?mmliche Materialien wie Metalle, Keramiken oder Polymere beschr?nkte Eigenschaftsbereiche aufweisen, bieten Verbundwerkstoffe aus verschiedenen Basismaterialien erweiterte mechanische, elektrische, magnetische, optische und thermische Eigenschaften. Allerdings erschwert die Vielzahl an Designvariablen und nicht-konvexe Zielfunktionen das Finden optimaler Materialkombinationen. Tiefes best?rkendes Lernen, das auf Markov-Entscheidungsproblemen und neuronalen Netzen basiert, erm?glicht es, diese Herausforderungen in hochdimensionalen Zustandsr?umen effizient zu bew?ltigen. Sogenannte intelligente Agenten erlernen und speichern sequentielle physikalische Zusammenh?nge, die in einer Simulationsumgebung erlernt wurden, in neuronalen Netzen, um auf Basis des Erlernten optimale Materialzusammensetzungen für definierte Eigenschaften zu ermitteln.

Bei erfolgreicher Anwendung k?nnen durch geeignete Kombinationen auch Materialien verwendet werden, die alleine nicht für ingenieurtechnische Zwecke geeignet w?ren. Dadurch rücken gerade nachhaltige Werkstoffe zunehmend in den Fokus.