SPP 2363:  Nutzung und Entwicklung des maschinellen Lernens für molekulare Anwendungen - Molekulares maschinelles Lernen

• Fachliche Zuordnung: Chemie ; Informatik, System- und Elektrotechnik ; Medizin
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 460865652

Künstliche Intelligenz gehört unbestreitbar zu den sich am schnellsten entwickelnden und gefragtesten Themen unserer Zeit. Diese Technologie erleichtert den Alltag und verändert sowohl die Gesellschaft als auch die Arbeitswelt. Während sich IT-Firmen und akademische Gruppen aus den Bereichen Informatik und Mathematik das neue Feld schnell zu eigen gemacht haben, beginnen Naturwissenschaften wie Biochemie oder Chemie erst jetzt allmählich, das Potenzial von Methoden des maschinellen Lernens (ML) zu erkunden. Unser Ziel ist es, moderne ML-Algorithmen in ihrer ganzen Bandbreite zu entwickeln und auf molekulare Probleme anzuwenden. Während aktuelle Ansätze beispielsweise bereits helfen, molekulare Eigenschaften zu bestimmen und Moleküle virtuell zu screenen, soll das molekulare maschinelle Lernen der Zukunft mit generativen Modellen Moleküle mit bestimmten Eigenschaften und Aktivitäten vorschlagen, Reaktionen selbstständig entwickeln und optimieren sowie analytische Daten sekundenschnell auswerten und interpretieren. Der erste Schritt ist das Design von molekularen Repräsentationen, die das Verständnis von ML erhöhen und robuste und vergleichbare Anwendungen ermöglichen. In geschickter Kombination mit modernsten Algorithmen des maschinellen Lernens können Probleme wie kleine Datensätze, hochkomplexe Fragestellungen und große experimentelle Fehler überwunden und bisher unbekannte molekulare Zusammenhänge gefunden werden. Letztlich sollen Anwendungen, die im Laboralltag von hohem Wert sind, in einfach zu bedienende Software-Suiten umgesetzt und experimentell arbeitende Wissenschaftler daran geschult werden. Damit trägt dieses Schwerpunktprogramm zur Modernisierung eines ganzen Fachgebietes bei. Dazu ist es notwendig, die bestehenden innovativen Bemühungen in den Bereichen Biochemie, Chemie, Informatik, Mathematik und Pharmazie zu vereinen, um einerseits das gesamte verfügbare Wissen zu nutzen und andererseits die modernsten Methoden der theoretischen und praktischen Welt zu kombinieren, um fortschrittliche maschinelle Lernmodelle und -methoden zu entwickeln. Dieses Programm wird die KI-Strategie der Bundesregierung erfüllen und kann Deutschland international als einen führenden Standort für molekulares maschinelles Lernen etablieren.

• DFG-Verfahren: Schwerpunktprogramme
• Internationaler Bezug: Dänemark, Frankreich, Schweiz, USA

Projekte

• Entwicklung und Anwendung verbesserter Deskriptoren für Computer-gestütztes Katalysatordesign (Antragstellerin Däschlein-Geßner, Viktoria H. )
• Erkundung neuer Ru-Triphos-Hydrierungskatalysatoren durch Kombination experimenteller und computergestützter Methoden und maschineller Lernverfahren (Antragsteller Bannwarth, Christoph ;  Klankermayer, Jürgen )
• Fingerprints entschlüsseln - Auf dem Weg zu einem ganzheitlichen Erklärungsinstrumentarium für molekulares maschinelles Lernen (Antragsteller Glorius, Frank ;  Jiang, Xiaoyi )
• Fortgeschrittene Lernstrategien für Potentialenergieflächen mit Anwendung auf organische Elektrolyte (Antragsteller Holm, Christian ;  Kästner, Johannes )
• KI-getriebener universeller Workflow für molekulares Design performanter Photoschalter (Antragsteller Hecht, Stefan ;  Reuter, Karsten )
• Koordinationsfonds (Antragsteller Glorius, Frank )
• Maschinelles Lernen für die Entwicklung und das Verständnis neuer, asymmetrischer 3d-Metal-katalysierter C–H Aktivierungen (Antragsteller Ackermann, Lutz )
• Maschinelles Lernen für hierarchische ultraschnelle molekulare Kraftfelder (Antragsteller Wenzel, Wolfgang )
• Maschinelles Lernen zur schnelleren Entwicklung und Adaptation von Enzymen für schwierige chemische Reaktionen (MacBioSyn). Teil I: Lösungen für regioselektive Oxidationsreaktionen mit 2OGD-Oxidasen (Antragsteller Davari Dolatabadi, Ph.D., Mehdi )
• Molekulare Deskriptoren in Matrixvervollständigungsmethoden (Antragstellerinnen / Antragsteller Hasse, Hans ;  Jirasek, Fabian ;  Leitte, Heike )
• Molekulares "Machine Learning" für die asymmetrische (Organo-)katalyse (Antragsteller Schreiner, Ph.D., Peter R. )
• Multi-Fidelity, Active Learning Strategien für Exzitonen-Transfer zwischen adsorbierten Molekülen (Antragsteller Kleinekathöfer, Ulrich ;  Zaspel, Peter )
• Neuronale Fingerabdrücke als struktur- und aktivitätssensitive molekulare Darstellungen (Antragsteller Koch, Oliver ;  Risse, Benjamin )
• Neuronale Netzwerkpotentiale der Vierten Generation für die Molekulare Chemie (Antragsteller Behler, Jörg )
• Quantenchemische Moleküldarstellungen für Maschinelles Lernen (Antragsteller Grimme, Stefan )
• SAFE: Synthetisch Zugängliche Fragmentraumerweiterungen Basierend auf Ansätzen des Maschinellen Lernens (Antragsteller Glorius, Frank ;  Rarey, Matthias )
• Verständnis der Wechselwirkung organischer Moleküle und Metallionen durch roboterbasierte Hochdurchsatzexperimente und molekulares maschinelles Lernen (Antragstellerinnen / Antragsteller Gräfe, Stefanie ;  Schubert, Ulrich S. )
• Virtuelles Wirkstoff-Screening und Synthese-Zugänglichkeit (Antragsteller Meiler, Jens ;  Stadler, Peter Florian )
• Von Maschinellem Lernen geleitete Erforschung des chemischen Raumes: automatisierte Erzeugung von und Navigation in ultragroßen open-source Molekülbibliotheken (Antragsteller Kolb, Peter )

• Sprecher: Professor Dr. Frank Glorius