Detailseite
Projekt
Maschinelles Lernen für die Organokatalyse im Bereich kleiner Datenmengen
Antragsteller
Professor Dr. Peter R. Schreiner
Fachliche Zuordnung
Organische Molekülchemie - Synthese, Charakterisierung
Förderung
Förderung seit 2022
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 497198316
Das Forschungsvorhaben konzentriert sich auf die Weiterentwicklung von Anwendungen des maschinellen Lernens (ML) in der Organokatalyse unter Verwendung kuratierter, qualitativ hochwertiger, kleiner experimenteller Datensätze. Zu den wichtigsten Zielen gehört die Verfeinerung des Designs enantioselektiver Organokatalysatoren, insbesondere für anspruchsvolle Reaktionen wie die Corey-Bakshi-Shibata-Reduktion (CBS) und die Dakin-West-Reaktion unter Verwendung eines „Key-Intermediate-Graph“-Ansatzes. Dabei werden wir die ML-Anwendungen auch auf Reduktionen von Ketimin sowie die Desymmetrisierung von meso-Anhydrid ausweiten, mit dem Ziel, die Datensatzqualität durch modulares Peptiddesign zu verbessern. Dies sollte die ML-Vorhersagen qualitativ verbessern. Zuletzt schlagen wir vor, ein interaktives ML-Web-System "für alle" für Echtzeitvorhersagen zu erstellen. Dabei entwickeln wir auch (inter)nationale Kooperationen weiter und werden unsere ML-Plattform akademischen Nutzern zur Verfügung stellen.
DFG-Verfahren
Schwerpunktprogramme
