Deep-Learning-basierte Materialbestimmung für industrielle Computertomographie
Mit einer Leidenschaft für Physik und datengetriebene Methoden hat Moritz Weiß in seiner Dissertation die Welten der industriellen Computertomographie und des Deep Learnings zusammengeführt. In Kooperation mit der Firma diondo entwickelte er Simulationsmethoden und Deep-Learning-Modelle zur präzisen Materialbestimmung in CT-Bildern – ein Thema, das bislang stark von der klinischen Forschung dominiert wurde. Seine Arbeit leistet einen wesentlichen Beitrag zur datenbasierten Materialanalyse in industriellen Kontexten und eröffnet neue Perspektiven für die in-line Prüfung komplexer Bauteile, etwa in der Batteriezellenfertigung. Auch nach seiner Promotion bleibt er dem Themenfeld treu und gestaltet den Transfer von Forschung in die industrielle Anwendung aktiv mit.
Wir haben Alexander zu seiner Dissertation befragt:
In welchem Kontext ist deine Dissertation entstanden? Welche Projekte oder anderen Faktoren haben deine Dissertation besonders beeinflusst?
Nach Abschluss meiner Masterthesis in der experimentellen Festkörperphysik wollte ich an einem Thema weiterarbeiten, das die Welt der Physik mit einem neuen und mächtigen Werkzeug, dem Deep Learning, erweitert.
Schnell war klar, dass eine Industriekooperation mit der Firma diondo für mich perfekt passt: die Computertomographie als Physik-lastiges Thema jedoch erweitert durch Methoden des Deep Learnings.
Der zentrale Antrieb meiner Dissertation bestand somit in der Freude an einem physikalischen Thema, der Materialbestimmung von CT-Bildern, gepaart mit dem Deep Learning, das für mich völlig neue Möglichkeiten eröffnete.
Welchen Beitrag leistet deine Arbeit zum Forschungsfeld?
Die Computertomographie wird hauptsächlich für klinische Anwendungen erforscht, sodass sich die industrielle Computertomographie beinahe schon im Schatten der klinischen Forschung wiederfindet.
Viele Erkenntnisse gelten sicherlich für beide Welten, jedoch existieren wichtige Unterschiede, insbesondere im Kontext der Materialzusammensetzung, die für industrielle Anwendungen nicht ausreichend studiert worden sind.
Meine Arbeit beginnt bei der (Daten-)Basis, sodass Deep Learning für die Materialbestimmung angewandt werden kann und endet bei den praktischen Implikationen für industrienahe Anwendungsgebiete, zum Beispiel der in-line CT-Prüfung von Batteriezellen.
Wie geht es nun für dich und das Thema weiter?
Ich freue mich die Firma diondo auch nach meiner Promotion weiter im thematischen Umfeld des Deep Learnings bereichern zu dürfen.
Die Computertomographie ist ein spannendes und physikalisch-motiviertes Forschungsfeld, das momentan aus vielen Richtung mithilfe von KI modernisiert wird.
Weiterhin ist die Materialbestimmung auch abseits der klinischen Anwendung ein offenes Forschungsfeld, das darauf wartet von den frischen Ideen der Doktoranden weiterentwickelt zu werden.
