Pressemitteilung vom 10. Juni 2026

Drei KI-Projekte des HZDR erhalten Helmholtz-Förderung

Neue KI-Methoden für Wissenschaft und Anwendung

Mit den Projekten AIRE, INFUSE-X und MLGREEN hat sich das Helmholtz-Zentrum Dresden-Rossendorf (HZDR) im Helmholtz AI Project Call 2025 gleich dreimal erfolgreich durchgesetzt. Jedes der Vorhaben erhält eine Förderung von bis zu 250.000 Euro aus dem Impuls- und Vernetzungsfonds der Helmholtz-Gemeinschaft. Die Projekte sollen neue Ansätze der Künstlichen Intelligenz (KI) für wissenschaftliche Anwendungen entwickeln und damit die datengetriebene Forschung in unterschiedlichen Fachgebieten voranbringen. Gleichzeitig stärken sie die Zusammenarbeit innerhalb der Helmholtz-Gemeinschaft sowie mit Partnern aus Wissenschaft und Industrie.

Der Helmholtz AI Project Call fördert innovative Forschungsvorhaben, die neue Methoden der Künstlichen Intelligenz entwickeln oder deren Einsatz in wissenschaftlichen Anwendungen vorantreiben. Auf die Ausschreibung 2025 wurden insgesamt 48 Projektanträge eingereicht. Die Auswahl erfolgte durch ein internationales Expertengremium, das die wissenschaftliche Qualität, Relevanz und das Innovationspotenzial der eingereichten Vorhaben bewertete. Die drei erfolgreichen Projekte des HZDR überzeugten dabei insbesondere durch ihren Beitrag zur Weiterentwicklung von KI-Technologien innerhalb der Helmholtz-Gemeinschaft und deren Potenzial für wissenschaftliche und gesellschaftliche Anwendungen.

AIRE: Mehr als Aluminiumrecycling

Obwohl Aluminium zu den am besten recycelbaren Werkstoffen zählt, wird der Recyclingprozess noch immer durch geringe Mengen unerwünschter Metalle erschwert. Beim Wiedereinschmelzen können sich daraus mikroskopische Strukturen bilden, die die Materialeigenschaften des recycelten Aluminiums beeinträchtigen. Um Legierungen zu entwickeln, die besser für eine Kreislaufwirtschaft geeignet sind, ist ein genaues Verständnis der Art, Form und Verteilung dieser Strukturen entscheidend. Bestehende Verfahren auf Basis der Synchrotron-Röntgentomographie stoßen jedoch häufig an ihre Grenzen, wenn ähnliche Strukturen innerhalb des Materials voneinander unterschieden werden sollen.

AIRE will diese Herausforderung mit einem neuartigen Ansatz der Künstlichen Intelligenz lösen. Ziel ist die Entwicklung von Methoden, die solche Strukturen in dreidimensionalen Röntgenbildern automatisch erkennen und analysieren können. Das Projekt vereint dabei die komplementären Stärken eines einzigartigen Helmholtz-Konsortiums: Zugang zu modernsten Synchrotronquellen am HZB, Hochleistungsrechnen am HZDR sowie industrielle Expertise von Novelis, einem der weltweit führenden Unternehmen der Aluminiumindustrie.

AIRE adressiert zentrale Herausforderungen bei der Auswertung komplexer dreidimensionaler Bilddaten, darunter geringe Bildkontraste, komplexe Materialstrukturen und der bislang hohe Aufwand für die manuelle Vorbereitung von Trainingsdaten für KI-Systeme. Aufbauend auf einem bereits vorhandenen umfangreichen Datensatz und modernen Methoden des maschinellen Lernens soll das Projekt die effiziente Analyse großer Bilddatenmengen ermöglichen und gleichzeitig den Bedarf an zeitaufwendiger manueller Datenaufbereitung deutlich reduzieren.

Die erfolgreiche Umsetzung wird neue quantitative Einblicke in die mikroskopischen Strukturen liefern, die die Qualität und Recyclingfähigkeit von Aluminium beeinflussen. Damit leistet AIRE einen wichtigen Beitrag zur Entwicklung nachhaltigerer Aluminiumlegierungen und unterstützt langfristig den Übergang zu einer echten Kreislaufwirtschaft.

Über das Aluminiumrecycling hinaus wird das Projekt eine frei verfügbare Software-Toolbox für die automatisierte Analyse dreidimensionaler wissenschaftlicher Bilddaten bereitstellen. Die entwickelten Methoden bieten Potenzial für zahlreiche Anwendungsfelder, darunter die Materialforschung, die Geowissenschaften und die biomedizinische Bildgebung. Gleichzeitig schafft AIRE die Grundlage für zukünftige KI-Modelle, die große Mengen wissenschaftlicher Bilddaten effizient auswerten und für neue Erkenntnisse nutzbar machen können.

INFUSE-X: KI für eine nachhaltige Rohstofferkundung

Der weltweite Wandel hin zu erneuerbaren Energien, digitalen Technologien und nachhaltigen Industrien führt zu einer beispiellosen Nachfrage nach kritischen Rohstoffen. Gleichzeitig wächst der Bedarf, neue Bodenschätze auf effizientere und umweltverträglichere Weise zu identifizieren und zu gewinnen. Das INFUSE-X-Projekt begegnet dieser Herausforderung durch die Entwicklung neuer Methoden der künstlichen Intelligenz, die geologische Daten aus verschiedenen Quellen kombinieren und analysieren.

Durch die Integration von Informationen aus Satellitenbeobachtungen, geophysikalischen Messungen und hochauflösenden Sensorsystemen, die an Drohnen installiert sind, zielt das Projekt darauf ab, die Erkennung und Charakterisierung von Mineralvorkommen und geologischen Strukturen im Untergrund zu verbessern. Die daraus resultierenden KI-basierten Werkzeuge werden dazu beitragen, die Rohstoffexploration genauer, effizienter und nachhaltiger zu gestalten.

INFUSE-X bündelt die komplementäre Expertise des Helmholtz-Instituts Freiberg für Ressourcentechnologie (HZDR-HIF) und des GFZ Helmholtz-Zentrums für Geoforschung. Gemeinsam entwickeln die Partner neue Methoden, um komplexe geowissenschaftliche Daten aus unterschiedlichen Quellen auszuwerten und zusammenzuführen.

Die neuen Methoden werden an zwei Bergbaustandorten mit gegensätzlichen geologischen Bedingungen getestet und validiert: Rio Tinto in Spanien und Roșia Poieni in Rumänien. Diese Fallstudien aus der Praxis stellen sicher, dass die entwickelten Ansätze robust und auf verschiedene Explorationsumgebungen übertragbar sind.

Neben der Förderung des wissenschaftlichen Verständnisses wird das Projekt der Forschungsgemeinschaft frei zugängliche Werkzeuge und Datensätze zur Verfügung stellen. Langfristig zielt INFUSE-X darauf ab, eine neue Generation datengestützter Technologien für die Mineralexploration zu unterstützen, die zu einer sicheren und nachhaltigen Versorgung mit den für Zukunftstechnologien benötigten Rohstoffen beitragen.

MLGREEN: Materialsimulationen mit mehr als nur einigen hundert Atomen

Lange vor einer Synthese im Labor werden viele Materialien am Computer simuliert. Doch selbst auf Hochleistungsrechnern sind einige der leistungsfähigsten Methoden der Materialwissenschaften nach wie vor auf vergleichsweise kleine Systeme beschränkt, die weit von praxisrelevanten Maßstäben entfernt sind. Das MLGREEN-Projekt plant, den Rechenaufwand der Korringa-Kohn-Rostoker (KKR)-Green-Funktions-Methode mithilfe von KI zu reduzieren, wodurch dieser hochgenaue, aber rechenintensive Simulationsansatz auf viel größere Materialsysteme anwendbar wird.

Die meisten Materialeigenschaften hängen vom Verhalten der Elektronen ab, darunter elektrische Leitfähigkeit, Magnetismus, bestimmte optische Eigenschaften und Supraleitung. Was man in den Materialwissenschaftlen, der Chemie und der Physik also ganz Allgemein wissen will, ist: Wo befinden sich die Elektronen, wie bewegen sie sich und welche Energie haben sie? Die KKR-Green-Funktion ist ein mathematisches Werkzeug, das beschreibt, wie sich Elektronen durch ein Material bewegen, während sie mit strukturbestimmenden Atomkernen interagieren. Die Funktion erfasst alle möglichen Wege und Streuereignisse auf kompakte Weise. Sie eignet sich besonders gut für die Untersuchung komplexer Systeme, in denen die regelmäßige atomare Ordnung gestört ist, wie beispielsweise bei Legierungen, Materialien mit absichtlich eingebrachten Verunreinigungen, Materialien mit Defekten, Materialoberflächen oder magnetischen Materialien.

Trotz ihrer Vorteile ist die KKR-Green-Methode in Wissenschaft und Industrie nicht weit verbreitet. Sie ist mathematisch komplex und daher schwieriger zu erlernen und umzusetzen als andere Methoden. Ein weiteres großes Hindernis sind die Rechenkosten. Die Anwendung der KKR-Green-Methode ist – trotz Superrechnern – auf Systeme mit nur wenigen hundert Atomen beschränkt, was die Simulation praxisrelevanter Systeme ausschließt, in denen Fernwechselwirkungen und komplexe Geometrien die Materialeigenschaften bestimmen. Das MLGREEN-Projekt nimmt sich dieser Herausforderung an: Mithilfe neuronaler Netze soll der Rechenaufwand statt mit der dritten Potenz nur noch linear mit der Systemgröße wachsen.

Bei Erfolg wird das Projekt dazu beitragen, die Entdeckung neuartiger Materialien zu beschleunigen. Relevant sind hier insbesondere Anwendungen wie neue Permanentmagnete, die nicht auf problematische Seltenerdelemente angewiesen sind, und spintronische Bauteile – also Mikroelektronik-Elemente, die nicht nur die Ladung, sondern auch den Spin von Elektronen nutzen.

Der MLGREEN-Antrag wurde gemeinsam vom Center for Advanced Systems Understanding (CASUS) am Helmholtz-Zentrum Dresden-Rossendorf und dem Forschungszentrum Jülich eingereicht.

Weitere Informationen:

AIRE

Dr. Peter Steinbach | Leiter Gruppe Artificial Intelligence
Zentralabteilung Informationsdienste und Computing
Tel.: +49 351 260 3844 | E-Mail: p.steinbach@hzdr.de

INFUSE-X

Prof. Dr. Richard Gloaguen | Leiter Abteilung Erkundung
Helmholtz-Institut Freiberg für Ressourcentechnologie
Tel.: +49 351 260 4424 | E-Mail: r.gloaguen@hzdr.de

MLGREEN

Dr. Attila Cangi | Leiter Abteilung Maschinelles Lernen für Materialdesign
Center for Advanced Systems Understanding (CASUS)
Tel.: +49 3581 375 23 52 | E-Mail: a.cangi@hzdr.de

Medienkontakt:

Simon Schmitt | Leitung und Pressesprecher
Abteilung Kommunikation und Medien am HZDR
Tel.: +49 351 260-3400 | E-Mail: s.schmitt@hzdr.de