Dienstag, 13. Oktober 2026, 17:30 Uhr – 19:00 Uhr

Scientific Machine Learning (SciML) für industrielle Simulation und Optimierung

Beschreibung:	Das Fraunhofer-Institut für Integrierte Systeme und Bauelementetechnologie (IISB) forscht an elektronischen Systemen, Bauelementen und Technologien – von der Halbleiterfertigung über die Leistungselektronik bis hin zu energieeffizienten KI-Systemen. Der Vortrag gibt einen Einblick in unsere Arbeiten im Bereich Scientific Machine Learning (SciML), in dem moderne KI-Methoden mit etablierten numerischen Simulations- und Optimierungsverfahren kombiniert werden, um effiziente und zuverlässige digitale Werkzeuge für industrielle Anwendungen zu entwickeln. Ein zentraler Schwerpunkt ist das physik-informierte maschinelle Lernen, bei dem die zugrunde liegenden physikalischen Gesetze direkt in das Training neuronaler Netze einfließen. Die so entstehenden, schnell auswertbaren Surrogatmodelle ermöglichen eine physik-basierte Inter- und Extrapolation außerhalb des Trainingsdatenbereichs und insgesamt deutlich zuverlässigere Vorhersagen als rein datengetriebene Modelle. Die Differenzierbarkeit dieser hybriden Ansätze ermöglicht effiziente gradientenbasierte Optimierung und verbesserte inverse Design-Workflows, da die Sensitivitäten der Modellausgaben bezüglich Design- und Prozessparametern direkt aus dem Modell abgeleitet werden können. Als industrielle Anwendung steht die Herstellung von Halbleitern im Mittelpunkt, wobei der Schwerpunkt auf Lithografie und Halbleiterprozessen liegt: vom inversen Design in der optischen Lithografie über messkalibrierte Surrogat-Löser für Fotolack-Reaktionen bis hin zu thermischen Simulationen mit inverser Heizer-Optimierung in Kristallzüchtungsöfen.
Referierende:	Dr.-Ing. Andreas Roßkopf, Fraunhofer IISB, Erlangen
Information:	Weitere Angebote des Mathematisch-Physikalischen Kolloquium finden Sie hier

Zurück