Supporting AI Readiness through Digital Workflows in Materials Science
Published in Advanced Engineering Materials, 2026
Abstract
Materials science produces heterogeneous data across experiments, simulations, and industrial processes that often remain bound to local formats, manual procedures, and project-specific software. Digital workflows address this fragmentation through explicit, repeatable, and machine-actionable pipelines. This article examines 13 workflow contributions from the second and third funding phases of the MaterialDigital initiative. The contributions cover data acquisition and FAIR storage, simulation automation, multiscale integration, and AI/ML-driven optimization. Here, AI-readiness denotes the documented capacity of workflows and their artifacts to be reliably interpreted, executed, assessed, reused, and, where intended, invoked or adapted by automated systems; it does not require the direct application of artificial intelligence. Eight comparison aspects capture data and metadata, reusable artifacts, orchestration, robustness, cross-scale coupling, transfer validation, learning and optimization, and adaptive or agent-accessible operation. By distinguishing demonstrated capabilities from plans, the comparison shows how workflows support AI-ready research both through integrated AI methods and through structured, traceable, and reusable pipelines. Across the projects, stable data structures, persistent artifacts, executable orchestration, and scientific validation recur as foundations, whereas adaptive operation and agent-accessible interfaces remain specialized. Wider interoperability would additionally benefit from shared interfaces and explicit, portable descriptions of workflow artifacts.
Marian Bruns, Lateef Abdul, Stephan Barth, Martin Glauer, Manuel Günther, Fabian Neuhaus, Jan-Ole Perschewski, Thomas Bjarsch, Henrik Abel, Johannes Bosch, Niklas Meyer, Peter Hofmann, Marc Drechsler, Alexander Dyck, Dhanunjaya Kumar Nerella, Marvin Tegeler, Oleg Shchyglo, Ingo Steinbach, Timo Klecker, Henk Birkholz, Ehsan Borzabadi Farahani, Bernard Fedelich, Cetin Haftaoglu, Tarakeshwar Lakshmipathy, Elena Garcia Trelles, Christoph Schweizer, Reza Darvishi Kamachali, Lukas Koschmieder, Janin Eiken, Markus Apel, Sung-Min Wi, Jiangdong Zhao, Andreas Fezer, Nicolas Christ, Patrick Schneider, Eldor Urinov, Veit Königer, Volker Knoblauch, Janik Harter, Thomas Seifert, Thitichai Janpheng, Florian Fuchs, Fabian Teichert, Jörg Schuster, Anke Bardehle, Andreas Limper, Ulrich Giese, Carlos Lucke, Mario Beiner, Christoph Gögelein, Lisa Leuchtenberger-Engel, Christian Hopmann, Felix Wentzien, Heike Wittek, Benjamin Klie, Alexander Röhrs, Ludger Overmeyer, Achraf Atila, Marcel Sadowski, Leopold Talirz, Jan Janssen, Jesper R. Pedersen, Peter Beck, Tejs Vegge, Ivano E. Castelli, Wolfgang Wenzel, Tilmann Hickel, Jörg Schaarschmidt. "Supporting AI Readiness through Digital Workflows in Materials Science." Advanced Engineering Materials, e71262. (2026).
Cite (BibTeX)
@article{bruns2026supporting,
author = {Bruns, Marian and Abdul, Lateef and Barth, Stephan and Glauer, Martin and Günther, Manuel and Neuhaus, Fabian and Perschewski, Jan-Ole and Bjarsch, Thomas and Abel, Henrik and Bosch, Johannes and Meyer, Niklas and Hofmann, Peter and Drechsler, Marc and Dyck, Alexander and Nerella, Dhanunjaya Kumar and Tegeler, Marvin and Shchyglo, Oleg and Steinbach, Ingo and Klecker, Timo and Birkholz, Henk and Farahani, Ehsan Borzabadi and Fedelich, Bernard and Haftaoglu, Cetin and Lakshmipathy, Tarakeshwar and Trelles, Elena Garcia and Schweizer, Christoph and Kamachali, Reza Darvishi and Koschmieder, Lukas and Eiken, Janin and Apel, Markus and Wi, Sung-Min and Zhao, Jiangdong and Fezer, Andreas and Christ, Nicolas and Schneider, Patrick and Urinov, Eldor and Königer, Veit and Knoblauch, Volker and Harter, Janik and Seifert, Thomas and Janpheng, Thitichai and Fuchs, Florian and Teichert, Fabian and Schuster, Jörg and Bardehle, Anke and Limper, Andreas and Giese, Ulrich and Lucke, Carlos and Beiner, Mario and Gögelein, Christoph and Leuchtenberger-Engel, Lisa and Hopmann, Christian and Wentzien, Felix and Wittek, Heike and Klie, Benjamin and Röhrs, Alexander and Overmeyer, Ludger and Atila, Achraf and Sadowski, Marcel and Talirz, Leopold and Janssen, Jan and Pedersen, Jesper R. and Beck, Peter and Vegge, Tejs and Castelli, Ivano E. and Wenzel, Wolfgang and Hickel, Tilmann and Schaarschmidt, Jörg},
title = {Supporting AI Readiness Through Digital Workflows in Materials Science},
journal = {Advanced Engineering Materials},
year = {2026},
month = sep,
publisher = {Wiley},
doi = {10.1002/adem.71262},
url = {https://doi.org/10.1002/adem.71262}
}Plain Language Summary
🇬🇧 English
Materials science faces a significant challenge: the vast amounts of data generated from experiments, simulations, and industrial processes are often fragmented, stored in incompatible formats, and require manual handling. This makes it difficult to compare, reproduce, and reuse results, severely hindering the integration of advanced Artificial Intelligence (AI) for designing new materials. To address this, the MaterialDigital initiative is developing digital workflows – structured, repeatable sequences of tasks – that automate data acquisition, processing, and simulation. These workflows integrate diverse software tools and data sources, transforming raw, heterogeneous data into 'AI-ready' resources that are Findable, Accessible, Interoperable, and Reusable (FAIR), often using ontologies and knowledge graphs to add semantic context. The initiative's 13 projects demonstrate how these digital workflows enhance AI readiness by ensuring data traceability, reproducibility, and reusability across different scales and applications. Key findings include the successful automation of complex simulation chains, efficient parameter identification, and seamless integration of experimental and simulation data. This systematic approach significantly reduces manual effort, accelerates materials development, and enables more reliable AI models for predicting material properties, optimizing processes, and controlling quality. Ultimately, these digital workflows pave the way for faster, more efficient, and sustainable innovation in industries ranging from automotive to electronics, by making scientific data truly actionable for AI.
🇲🇦 العربية
يواجه علم المواد تحديًا كبيرًا: فكميات البيانات الهائلة الناتجة عن التجارب والمحاكاة والعمليات الصناعية غالبًا ما تكون مجزأة، ومخزنة بتنسيقات غير متوافقة، وتتطلب معالجة يدوية. هذا يجعل مقارنة النتائج وإعادة إنتاجها وإعادة استخدامها أمرًا صعبًا، مما يعيق بشكل كبير دمج الذكاء الاصطناعي المتقدم لتصميم مواد جديدة. لمعالجة ذلك، تعمل مبادرة 'المواد الرقمية' (MaterialDigital) على تطوير مسارات عمل رقمية و تسلسلات منظمة قابلة للتكرار للمهام التي تقوم بأتمتة جمع البيانات ومعالجتها ومحاكاتها. تدمج مسارات العمل هذه أدوات برمجية ومصادر بيانات متنوعة، وتحول البيانات الخام وغير المتجانسة إلى موارد 'جاهزة للذكاء الاصطناعي' تتسم بالبحث والوصول والتشغيل البيني وإعادة الاستخدام (FAIR)، غالبًا باستخدام الأنطولوجيات ورسوم المعرفة لإضافة سياق دلالي. توضح مشاريع المبادرة الثلاثة عشر كيف تعزز مسارات العمل الرقمية هذه جاهزية الذكاء الاصطناعي من خلال ضمان تتبع البيانات وقابليتها لإعادة الإنتاج وإعادة الاستخدام عبر مختلف المقاييس والتطبيقات. تشمل النتائج الرئيسية الأتمتة الناجحة لسلاسل المحاكاة المعقدة، وتحديد المعلمات بكفاءة، والتكامل السلس لبيانات التجارب والمحاكاة. يقلل هذا النهج المنهجي بشكل كبير من الجهد اليدوي، ويسرع تطوير المواد، ويمكّن نماذج ذكاء اصطناعي أكثر موثوقية للتنبؤ بخصائص المواد، وتحسين العمليات، والتحكم في الجودة. في نهاية المطاف، تمهد مسارات العمل الرقمية هذه الطريق لابتكار أسرع وأكثر كفاءة واستدامة في الصناعات التي تتراوح من السيارات إلى الإلكترونيات، من خلال جعل البيانات العلمية قابلة للتنفيذ حقًا للذكاء الاصطناعي.
🇫🇷 Français
La science des matériaux est confrontée à un défi majeur : les vastes quantités de données générées par les expériences, les simulations et les processus industriels sont souvent fragmentées, stockées dans des formats incompatibles et nécessitent une manipulation manuelle. Cela rend difficile la comparaison, la reproduction et la réutilisation des résultats, entravant considérablement l'intégration de l'intelligence artificielle (IA) avancée pour la conception de nouveaux matériaux. Pour y remédier, l'initiative MaterialDigital développe des flux de travail numériques – des séquences de tâches structurées et répétables – qui automatisent l'acquisition, le traitement et la simulation des données. Ces flux de travail intègrent divers outils logiciels et sources de données, transformant les données brutes et hétérogènes en ressources 'prêtes pour l'IA' qui sont Faciles à trouver, Accessibles, Interopérables et Réutilisables (FAIR), souvent en utilisant des ontologies et des graphes de connaissances pour ajouter un contexte sémantique. Les 13 projets de l'initiative démontrent comment ces flux de travail numériques améliorent la préparation à l'IA en garantissant la traçabilité, la reproductibilité et la réutilisabilité des données à travers différentes échelles et applications. Les principales découvertes incluent l'automatisation réussie de chaînes de simulation complexes, l'identification efficace des paramètres et l'intégration transparente des données expérimentales et de simulation. Cette approche systématique réduit considérablement l'effort manuel, accélère le développement des matériaux et permet des modèles d'IA plus fiables pour prédire les propriétés des matériaux, optimiser les processus et contrôler la qualité. En fin de compte, ces flux de travail numériques ouvrent la voie à une innovation plus rapide, plus efficace et plus durable dans des industries allant de l'automobile à l'électronique, en rendant les données scientifiques véritablement exploitables par l'IA.
🇩🇪 Deutsch
Die Materialwissenschaft steht vor einer erheblichen Herausforderung: Die riesigen Datenmengen, die aus Experimenten, Simulationen und industriellen Prozessen generiert werden, sind oft fragmentiert, in inkompatiblen Formaten gespeichert und erfordern manuelle Bearbeitung. Dies erschwert den Vergleich, die Reproduktion und die Wiederverwendung von Ergebnissen erheblich und behindert die Integration fortschrittlicher Künstlicher Intelligenz (KI) für die Entwicklung neuer Materialien. Um dies zu beheben, entwickelt die MaterialDigital-Initiative digitale Workflows – strukturierte, wiederholbare Abfolgen von Aufgaben – die die Datenerfassung, -verarbeitung und -simulation automatisieren. Diese Workflows integrieren verschiedene Software-Tools und Datenquellen und wandeln rohe, heterogene Daten in „KI-bereite“ Ressourcen um, die Findable, Accessible, Interoperable und Reusable (FAIR) sind, oft unter Verwendung von Ontologien und Wissensgraphen zur Hinzufügung semantischen Kontexts. Die 13 Projekte der Initiative zeigen, wie diese digitalen Workflows die KI-Bereitschaft verbessern, indem sie die Rückverfolgbarkeit, Reproduzierbarkeit und Wiederverwendbarkeit von Daten über verschiedene Skalen und Anwendungen hinweg gewährleisten. Zu den wichtigsten Erkenntnissen gehören die erfolgreiche Automatisierung komplexer Simulationsketten, die effiziente Parameteridentifikation und die nahtlose Integration von experimentellen und Simulationsdaten. Dieser systematische Ansatz reduziert den manuellen Aufwand erheblich, beschleunigt die Materialentwicklung und ermöglicht zuverlässigere KI-Modelle zur Vorhersage von Materialeigenschaften, Prozessoptimierung und Qualitätskontrolle. Letztendlich ebnen diese digitalen Workflows den Weg für schnellere, effizientere und nachhaltigere Innovationen in Branchen von der Automobilindustrie bis zur Elektronik, indem sie wissenschaftliche Daten für die KI wirklich nutzbar machen.