Metallische Gläser sind Metalle, die eine amorphe, „glas‑ähnliche“ atomare Struktur besitzen. Sie haben aufgrund ihrer Festigkeit, hohen Härte und exzellenten Korrosionsbeständigkeit großes Interesse geweckt, da sie sich für anspruchsvolle strukturelle und funktionale Anwendungen eignen. Ihre Verformung wird von stark lokalisierten shear‑transformation zones (STZs) gesteuert, die in Scherbändern resultieren können. Das Verständnis, wie diese atomaren Vorgänge in ein makroskopisches Versagen übergehen, erfordert einen Multiskalen‑Ansatz.

Ziel des Projekts ist es, einen multiskaligen Ansatz zu entwickeln, der eine physikalisch sinnvolle und thermodynamisch konsistente Beschreibung der Verformung von Metallischen Gläsern liefert. Auf der Kontinuums‑Ebene wird ein Materialmodell entwickelt, das die makroskopische mechanische Reaktion vorhersagt und gleichzeitig topologische Informationen aus der Nanostruktur einbindet.

In den letzten Jahren haben data-driven Verfahren auf Basis von machine learning zunehmend an Bedeutung in der Materialmodellierung gewonnen. Um physikalische und thermodynamische Konsistenz sicherzustellen, hat das Konzept, thermodynamische Prinzipien explizit in die Netzwerk‑Architektur zu integrieren, zu Constitutive Artificial Neural Networks (CANNs) geführt. Innerhalb dieses Rahmens können zentrale Größen wie die Helmholtz free‑energy, das Potential und die Fließbedingung direkt aus experimentellen Daten oder aus Molecular‑Dynamics (MD)‑Simulationen gelernt werden, wobei die Gesetze der Thermodynamik eingehalten werden.

Das angestrebte Ergebnis des Projekts ist ein Materialgesetzt basierend auf einem Constitutive Artificial Neural Networks (CANN) Modell, dass die physikalischen sowie thermodynamischen Materialeigenschaften aus MD‑Simulationen erlernt. Damit entsteht ein robustes Werkzeug zur Vorhersage der Verformung und des Versagens von metallischen Gläsern.