Kontakt

Dr. Udo von Toussaint
Telefon:+49 89 3299-1817

Standort Garching

Gruppenmitglieder

Dirk Nille
Dr. Roland Preuss
Dr. Udo von Toussaint

Header image 1539084405

Modellierung von Plasma-Material-Wechselwirkungen und Grundlagenuntersuchungen (PMMF)


Die Arbeitsgruppe hat zwei Hauptarbeitsgebiete, die Untersuchung der Wechselwirkungen von energetischen und/oder reaktiven Atom- und Molekülspezies mit Oberflächen sowie die Entwicklung und Anwendung moderner Simulations- und Datenanalysetechniken, mit Schwerpunkten auf atomistischen Simulationen und inversen Problemen.


Modellierung von Plasma-Material-Wechselwirkungen

Das Verständnis der Wechselwirkung von energetischen Partikeln, wie z.B. Wasserstoff oder Helium mit Wandmaterialien, wie z.B. Wolfram oder Stahl, ist von entscheidender Bedeutung für die Planung und Auslegung von zukünftigen Fusionsexperimenten. Effekte wie die Zerstäubung oder die Erosion von Oberflächen, aber auch Teilchenimplantation und sogar Schichtwachstum können unter Plasmabelastung auftreten. Darüberhinaus verlaufen die meisten relevanten Prozesse weit außerhalb des thermischen Gleichgewichts. Die Arbeiten der Gruppe versuchen die Grundlagen für ein quantitatives Verständnis der Wasserstoffrückhaltung in fusionsrelevanten Materialien sowie der Erosionsprozesse auf mikroskopischer und mesoskopischer Skala zu schaffen. Insbesondere letztere sind auch für die Beschreibung der Verhältnisse am Plasmarand von hoher Bedeutung. Die Kollaboration mit anderen Arbeitsgruppen am IPP wie z.B. PWI, PBP and PCI sorgt für eine enge Vernetzung von Theorie und Experiment. Für die Forschungsaktivitäten wird eine große und kontinuierlich weiterentwickelte Sammlung von Codes verwendet, die u.a. Molecular Dynamics (MD), Diffusions-Reaktions-Modelle, Monte-Carlo (MC), Kinetic-Monte-Carlo (KMC) und Markov-Chain-Monte-Carlo (MCMC), sowie Netzwerkmodelle umfassen.

Inverse Probleme und adaptive Systeme

Eng damit verbunden ist ein weiterer Forschungsschwerpunkt der Arbeitsgruppe, und zwar die Analyse sogenannter inverser Probleme und die Bestimmung optimaler Experimentstrategien (Bayesian experimental design) für komplexe Computersimulationen oder echter physikalischer Experimente. Dabei werden neben modernen Methoden zur Quantifizierung von Unsicherheiten in komplexen Simulationen auch selbstadaptierende, d.h. 'lernende' Systeme verwendet, die selbständig auf der Grundlage von Messdaten die Entscheidung für die vielversprechendste nächste Messung treffen. Dafür werden Methoden aus dem Bereich Machine Learning, wie Markov-Modelle, neuronale Netze und azyklische Bayessche Netze verwendet und mit numerischen Techniken wie sequentieller Optimierung, MCMC und Dimensionsreduktionsmethoden kombiniert.

Nähere Informationen zu Vorlesungsangeboten zu den Arbeitsgebieten von PMMF finden sie hier.

 
loading content
Zur Redakteursansicht