Die Erforschung von Phasenübergängen ist für die Entwicklung neuer Batterieelektrodenmaterialien von großer Bedeutung.
Die Forscher suchen nach aktiven Materialien mit überlegenen elektrochemischen Eigenschaften und versuchen, die Materialzusammensetzungen fein abzustimmen, um diese Materialien zuverlässig zu synthetisieren.
Moderne operando-XRD-Plattformen sind in der Lage, die Kristallstruktur dieser Materialien während der Experimente zu analysieren und können autonom Hunderte von XRD-Scans erstellen.
Die Analyse dieser Scans erfordert in der Regel manuelle Eingriffe und kann daher zu Engpässen in den Forschungsprozessen führen.

Dieses Projekt zielt darauf ab, Materialwissenschaftler durch die Erkennung von Ähnlichkeitsbereichen in Phasendiagrammen zu unterstützen.
Wir stellen eine Webanwendung zur Verfügung, die die Dimensionalitätsreduktion mit Hilfe von neuronalen Variations-Autocodierernetzen in Kombination mit verschiedenen Clustering-Algorithmen zur Gruppierung von XRD-Mustern nutzt.
Dies ermöglicht es Forschern, einen Überblick über ihre Proben zu gewinnen und Phasenübergänge zu erkennen, ohne ihre Arbeitsabläufe wesentlich zu verändern.