迄今为止，建筑材料的生产特别耗能。使用人工智能 (AI) 可以帮助开发替代和气候友好型材料。联邦材料研究与测试研究所 (BAM) 的一个团队开发了一个应用程序，使访问直观。 2 萨特尔建筑材料的生产对CO的贡献很大2排放量。 仅水泥的生产就占温室气体排放量的8%左右。
 

　　高耗能制造工艺可以用自运行的化学反应来取代：替代和更环保的水泥不必在高炉中烧结。 起始材料和化学品对与水泥性质几乎相同的材料没有热输入。 而且它们几乎没有产生任何CO2 排放。
 

　　为此，必须确切地了解替代水泥的特性及其反应的边界条件。 这就是困难开始的地方：水泥不仅是人类*泛使用的材料，而且是一种非常复杂的建筑材料：特别是CO的起始材料2 友好的水泥，根据它们的地质起源，可以有很大的不同，彼此的反应不同。
 

　　纯粹从数学角度来说，数十亿和更多的可能组合很快出现。研究人员通常根据实验室的经验观察改进配方。 传统材料科学在这里达到极限， 只是因为大量的组合。
 

　　基于人工智能(AI) 的材料特性的预测可以在这里有所帮助。人工智能模型可以学到材料样品或模拟的实证观察特性，以便预测新的和可能更好的终产品。
 

　　然而，AI模型仍然需要大量的实证信息，尤其是水泥，这种"数据ji渴"是个问题，因为反应非常缓慢。能否达到预期的结果往往只能经过几个星期的实验室工作来评估，因此开发替代水泥还需要很多年的时间。
 

　　连续学习(SL) 的使用有望在这里取得突破：它有可能*改变材料研究。 与以前的人工智能的决定性区别： SL搜索新的终产品，超越已经经验已知的材料，并获得的数据整体明显减少。不导致目标的方法在早期阶段被丢弃，并且更迅速地确定了有前途的实验。
 

　　到目前为止，SL 已被成功使用，例如.B用于开发药物或金属眼镜的产品，即合成速度快或在模拟中很容易检测到的产品。
 

　　由萨宾·克鲁施维茨教授的联邦材料研究与测试研究所(BAM)的一个小组与柏林理工大学的斯蒂芬教授合作，现已能够证明SL的使用对水泥研究也大有希望，尽管那里的反应要慢得多。“我们能够证明，在不到8个月的时间内找到可靠和气候中性材料是可能的。通常，开发周期需要几年时间，”开发该应用程序的BAM材料科学家克里斯托夫·维尔克博士解释道。 2钢铁、铝或沥青生产等密集领域。
 

　　为了使他们的方法普遍可用，研究人员现在已经编程了一个应用程序，使材料社区更容易探索SL方法。 材料发现顺序学习应用程序 (SLAMD)提供对SL 的低阈值访问。与实验室中许多起始材料的组合类似，人工智能几乎有无限的配置可能性。通过SLAMD，科学家可以通过直观和交互式用户界面开发气候友好型材料的 SL 方法，速度比以前快得多。