
Die Kleinen ganz gross – auf der Spur des kleinsten Atoms in der Energiewende
Neuartige Methode zur Untersuchung der Wasserstoffversprödung ermöglicht sicherere Transport- und Speichermaterialien

Webtool zur KI-Modellierung von grünem Stahl
Berücksichtigung von Mess- und Modellunsicherheiten für Recycling zur CO2-Minimierung in der Stahlproduktion.

Wie und warum Silizium die Lebensdauer von Hochleistungsbatterien bestimmt
Der Einsatz von Silizium für Lithium-Ionen-Batterien ermöglicht wesentlich höhere Energiedichten als Graphit, dennoch zeigt Silizium Probleme beim Laden infolge signifikanter Volumenausdehnung.

Mit künstlicher Intelligenz zu länger lebenden LED Beleuchtungskörpern
Bayesian Modeling: ein Meilenstein in der thermischen Analyse von LEDs ermöglicht zuverlässigere vorausschauende Wartung.

MCL Mitarbeiter:innen am Herzschlag der europäischen Materialentwicklung
Mitarbeiter:innen des MCL nehmen Schlüsselpositionen in nationalen und internationalen Gremien zur Materialentwicklung ein.

Wir forschen für pünktliche Züge und eine nachhaltige Zukunft
Innovationen im Weichenbau: neue Werkstoffe und Prüfverfahren für die grüne Zukunft der Mobilität.

Virtuelle Methoden verbessern die Saphirproduktion für µled-Technologien
MCL entwickelt digitale Simulationsmodelle, die komplexe Prozesse der Saphirherstellung abbilden. Diese Innovationen tragen zur Energieeinsparung und zur Produktion hochwertiger Kristalle für...

Schädigungsmechanismen in nachhaltigen Loten
Aspekte von Big-data Machine Learning Algorithmen werden mit tiefgründiger Materialforschung vereint, um der Rissbildung und dem Risswachstum in mikroelektronischen Loten auf den Grund zu gehen.

Physik trifft KI zur CO2-reduzierten Herstellung von Stahlprodukten
Die Herstellung hochwertiger Stahlprodukte mit maßgeschneiderten Eigenschaften und reduziertem CO2-Fußabdruck ist durch den Einsatz physikalisch informierter künstlicher Intelligenz möglich.

Deep Learning für Hochtemperaturwerkstoffe
Ein Deep-Learning-Ansatz für die automatische Bestimmung von Partikelauflösungsraten mit hoher Genauigkeit.

Vorhersagemodellierung der Festigkeit von Hochentropie-Legierungen
Computergestütztes Design von Legierungen kann die Kosten für die Entwicklung moderner Materialien senken.

Tool Condition Monitoring für Bohrwerkzeug für mehr Produktivität und Prozesssicherheit
Echtzeitdiagnose von Schädigung mittels Analyse von Sensordaten im laufenden Fertigungsbetrieb ermöglicht große Effizienzsteigerung

Vorhersage entscheidender Materialgrößen von Flugzeugkomponenten
Das MCL entwickelt ein Modellnetzwerk, das ortaufgelöst Bruchzähigkeit und Festigkeit im Flugzeugbauteil vorhersagt.

Nutzung probabilistischer Programmiersprachen für Materialmodelle
Forscher:innen des MCL und der TU Wien nutzen neue Programmiersprachen um Materialmodelle aussagekräftiger zu machen.

Zum Null-Fehler-Management von Silizium-Durchkontaktierungen (TSV) in der Produktion
Fortgeschrittene Defektlokalisierung und Klassifizierung von TSVs auf Wafer-Ebene mit Machine Learning Methoden