Detailseite
Projekt
Effiziente semiempirische quantenmechanische Methode mit adaptivem Lernen
Antragsteller
Professor Dr. Stefan Grimme
Fachliche Zuordnung
Theoretische Chemie: Elektronenstruktur, Dynamik, Simulation
Förderung
Förderung seit 2022
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 497190956
Das Projekt konzentriert sich auf die Weiterentwicklung der Computerchemie durch eine adaptive, lern-gesteuerte semi-empirische quantenmechanische (SQM) Methode, die auf die Verbesserung der Effizienz und Genauigkeit in allgemeiner molekularer Modellierung zielt. Dazu gehört die Entwicklung eines neuen, Tight-Binding-Modells namens g0-xTB (adaptives g0-xTB), das maschinelles Lernen nutzt, um seine Parametrisierung dynamisch an das aktuelle Problem anzupassen. Die Arbeit umfasst drei Hauptpunkte. Zuerst wird der g0-xTB-Basis-Hamiltonoperator entwickelt und ein globaler Parametersatz konventionell optimiert, um eine breite Anwendbarkeit und robuste Genauigkeit in verschiedenen chemischen Bereichen sicherzustellen. Diese g0-xTB-Methode kann bereits auf verschiedene chemische Probleme angewendet werden, bei denen hohe Geschwindigkeit und Robustheit erforderlich sind. Die zweite Aufgabe ist die Implementierung adaptiven Lernens für das Training im laufenden Betrieb, z.B. während MD-Läufen. Dies wird mit automatischen Differenzierungstechniken wie unserem vorherigen dxtb erreicht, um technisch einfach dynamische Parameteranpassungen zu ermöglichen. Schließlich wird die neue ag0-xTB-Methode in verschiedenen chemischen und methodischen Anwendungen eingesetzt. Dazu gehören die Generierung von Konformerensembles, die Untersuchung von Reaktionsnetzwerken und das groß angelegte "Screening" von Katalysatoren und Wirkstoffen. Das Projekt wird die wichtigsten Ergebnisse über Open-Source-Codes auf GitHub verfügbar machen und so eine breite Zugänglichkeit und Reproduzierbarkeit gewährleisten.
DFG-Verfahren
Schwerpunktprogramme
