Graph-Basiertes Generatives Maschinelles Learnen für optimale Moleküle

• Antragsteller: Professor Dr. Martin Grohe; Professor Alexander Mitsos, Ph.D.
• Fachliche Zuordnung: Chemische und Thermische Verfahrenstechnik ; Theoretische Informatik
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 466417970

Das Ziel dieses Projekts ist die Entwicklung einer Plattform für das automatisierte Design von Molekülen in der chemischen Verfahrenstechnik. Beim automatisierten Design von Molekülen werden Moleküle identifiziert, die anwendungsspezifische Eigenschaften wie zum Beispiel Löslichkeit oder Zündverzug optimieren. Innerhalb der Plattform wird die Modellierung von Molekülen mit graph-basierten Methoden aus dem Maschinellen Lernen verknüpft, indem Moleküle als molekulare Graphen mit Atomen als Knoten und chemische Bindungen als Kanten dargestellt werden. Die Plattform weist drei Komponenten auf: Die erste Komponente ist ein Graph neuronales Netzwerk Tool zur automatisierten und chemisch interpretierbaren Vorhersage physikochemischer Eigenschaften von Molekülen und chemischen Mischungen. Die zweite Komponente umfasst die Erzeugung von Molekülen durch graph-basiertes generatives Maschinelles Lernen. Die dritte Komponente kombiniert die Ergebnisse der ersten beiden Komponenten für das Design von Molekülen mit gewünschten Eigenschaften, wobei sowohl neue Moleküle erzeugt als auch deren Eigenschaften vorhergesagt werden müssen. Hierbei soll die Plattform insbesondere die Verbesserung chemischer Prozesse durch das automatisierte Entdecken neuartiger Arbeitsflüssigkeiten, Lösungsmitteln, Reaktanten und Katalysatoren mit optimalen Eigenschaften vorantreiben und beschleunigen. Die Plattform wird in der Git-Umgebung des SPP 2331 als Open-Source-Tool öffentlich zugänglich gemacht und kann von Forschenden genutzt, angepasst und aktiv erweitert werden. Dazu werden Dokumentationen, Tutorials und Fallbeispiele aus der chemischen Verfahrenstechnik zu den einzelnen Komponenten der Plattform erstellt. Gleichzeitig soll die Plattform die daten-basierte Molekülmodellierung in anderen Projekten innerhalb des SPP 2331 ermöglichen und durch diese Anwendungsfälle vergrößert werden.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2331: Maschinelles Lernen in der Verfahrenstechnik. Wissen trifft auf Daten: Interpretierbarkeit, Extrapolation, Verlässlichkeit, Vertrauen