Das Projekt Maschinelles Lernen für Festoxidzellen (Machine learing for solid oxide cells) beschäftigt sich mit der Anwendung von maschinellem Lernen auf das Verfahren des Foliengießens, welches eines der Hauptherstellungsverfahren für Festoxid-Brennstoff- und Elektrolysezellen ist. Aber auch Gastrennmembranen und Festkörperbatterien werden z.T. mit diesem Prozess hergestellt. Mittels des Foliengießens können keramische oder metallische Schlicker, bestehend aus den jeweiligen Pulvern, organischen oder wässrigen Lösungsmitteln und organischen stabilisierenden Zusatzstoffen, zweidimensional ausgedehnte dünne Schichten gegossen werden. Schichtdicken variieren von wenigen Mikrometern bis ca. 2mm und die Mikrostrukturen reichen nach dem Sintern von dicht bis porös. Durch das ML4SOC Projekt sollen erstmals die Methodiken des ML im keramischen Folienguss angewendet werden. In einer Kooperation mit der U Picardie in Frankreich, welche sich gemeinsam mit dem IEK-1 um das ML kümmert, der Prototypbau-Firma KMS Technology Center aus Dresden, welche Foliengießbänke entwickelt und aufbaut, wird das Vorhaben bearbeitet. Im IEK-1 wird das Foliengießen seit 25 Jahren als keramotechnische Methode eingesetzt und in diesem Projekt soll mittels ML eine Verbesserung des bis heute durch Versuch-und-Irrtum funktionierenden Foliengießens erfolgen. Als Bauteil wurde das Substrat einer brenngaselektrodengeträgerten Festoxidzelle ausgewählt.

Ein zentrales Anliegen von Caden ist die sogenannte Provenienzverfolgung von Proben und Daten. Die zentrale Anforderung besteht darin, Datenentitäten (d.h. sowohl Daten als auch Metadaten) und Parameter von Aktivitäten (z.B. Temperaturen, Drücke, Simulationsparameter) strukturiert und nachvollziehbar zu speichern. Darüber hinaus müssen Entitätsverknüpfungen erstellt werden, um eine Graphentopologie zu beschreiben. Der Graph kann sehr komplex und nichtlinear sein (d.h. Verzweigungen und Bifurkationen enthalten) mit einer großen Anzahl von Prozessschritten. Eine weitere Herausforderung für Caden ist die Zusammenarbeit zwischen verschiedenen Institutionen. Es ist durchaus üblich, dass Institutionen ihre eigenen individuellen Repositories und Metadatenschemata haben, die sich oft kaum mit denen anderer Institutionen überschneiden. Die Konsolidierung von Prozessschritten (d.h. die Fragmente der Workflow-Graphen) über institutionelle Grenzen hinweg ist oft schwierig, und bis jetzt gibt es keine Möglichkeit, diesen Schritt zu automatisieren (z.B. über eine maschinenverarbeitbare Verknüpfung). Eine Möglichkeit, dieses Problem zu lösen, ist die Nutzung einer einheitlichen Forschungsdateninfrastruktur, wie Kadi4Mat oder eLabFTW.

Im IMD-2 sollen die beiden elektronischen Laborbücher (ELN) eLabFTW und Kadi4Mat als Teil eines strukturierten Forschungsdatenmanagements eingeführt werden. Damit diese beiden ELNs von den Mitarbeiterinnen und Mitarbeitern effektiv genutzt werden können und die notwendige Akzeptanz für ihren Einsatz finden, müssen die Nutzerinnen und Nutzer einen deutlichen Vorteil und eine Arbeitserleichterung gegenüber den bisher verwendeten Papierlaborbüchern erkennen können. Dieses kann erreicht werden, wenn Prozesse durch die Verwendung von Vorlagen und durch die automatisierte Datenerfassung von angeschlossenen Geräten über Schnittstellen (API) vereinfacht werden. Daher werden in diesem Projekt Templates und API's für die vielen verschiedenen Geräte im IMD-2 geschrieben bzw. programmiert.

Das Innovationspool-Projekt „AutoMat“ zielt darauf ab, die Methoden der beschleunigten Materialentwicklung für die Erforschung neuer Energiematerialien zu implementieren und damit den Einsatz fortschrittlicher Technologien wie das Maschinelle Lernen, generell Künstliche Intelligenz sowie Automatisierung in experimentellen und simulativen Ansätzen zu integrieren. Speziell in diesem Projekt soll eine Materialbeschleunigungsplattform eingerichtet und neue Materialien für Batterien gefunden sowie bekannte Materialien optimiert werden. Dabei sollen neue Daten generiert und nach den FAIR-Prinzipien erfasst werden, unter anderem durch den Einsatz von elektronischen Laborbüchern und modernen Methoden des Forschungsdatenmanagements. Es werden angepasste Ontologien und Knowledge-Graphen entwickelt werden, um auch den strukturierten Datenaustausch mit anderen Gruppen und deren Systemen zu ermöglichen.