KI-getriebener universeller Workflow für molekulares Design performanter Photoschalter

• Antragsteller: Professor Dr. Stefan Hecht; Professor Dr. Karsten Reuter
• Fachliche Zuordnung: Organische Molekülchemie - Synthese, Charakterisierung ; Theoretische Chemie: Elektronenstruktur, Dynamik, Simulation
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 497206593

Das Design von Molekülen mit maßgeschneiderten Eigenschaften und Funktionen bildet die Grundlage für weitreichende Anwendungsentwicklungen in Landwirtschaft, Medizin, Material- und Energiewissenschaften, oder Informationstechnologien. Dieses Design ist traditionell eher ein Edison-artiger Entdeckungsprozess, in dem unvollständiges Verständnis und Arbeitshypothesen eingesetzt werden um eingeschränkte Suchräume für möglicherweise geeignete Moleküle zu definieren. Durch Hochdurchsatz-Experimente und Deskriptor-basierte numerische Berechnungen konnten diese Suchräume im Lauf der Zeit vergrößert werden, was aber nichts daran ändert, dass sie im Vergleich zum gesamten chemischen Raum insignifikant klein sind. Dieser Antrag zielt daher darauf ab moderne Verfahren der künstlichen Intelligenz (KI) für ein wirklich zielgerichtetes Design einzusetzen und weiterzuentwickeln. Auf Basis genügender Datenmengen können generative Modelle die zugrundeliegenden Struktur-Eigenschaftsbeziehungen implizit lernen und dann direkt innovative Moleküle mit erwünschten Eigenschaften vorschlagen. Eine fundamentale Herausforderung sind hierbei die enormen Datenmengen, die von entsprechenden deep-learning Ansätzen benötigt werden. Diesbezüglich werden wir Daten-effiziente Transfer-Learning Konzepte ausnutzen, numerisch höchsteffiziente Deskriptoren zur Vergrößerung der zur Verfügung stehenden synthetischen Datensätze entwickeln, und umfangreiche experimentelle chemische Libraries durch Einsatz von One-Pot Synthesestrategien und automatisierten Workflows erzeugen. Visualisierungs- und erklärbare KI Analysen werden letztendlich die gewonnenen impliziten Struktur-Eigenschaftsbeziehungen in chemisch interpretierbares Wissen übersetzen. Neben Vertrauen und Akzeptanz, wird hierdurch wichtige Validierungsinformation und Feedback für das entwickelte KI Modell bereitgestellt, und transferierbares Verständnis der Leitprinzipien gewonnen, welches auf einen größeren Raum von Molekülen und Funktionalitäten angewandt werden kann. Als herausforderndes, aber ebenso lohnendes und dringliches Designproblem wird speziell die Entwicklung performanter photoschaltbarer Moleküle verfolgt. Die Optimierung oft gegenläufiger Funktionsparameter wie Adressierbarkeit, Effizienz oder Stabilität ist ein nicht-trivialer und bisher entsprechend langsamer empirischer Prozess, der somit einen prototypischen Anwendungsfall darstellt, der stark von einem KI-getriebenen molekularen Design profitieren wird.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2363: Nutzung und Entwicklung des maschinellen Lernens für molekulare Anwendungen - Molekulares maschinelles Lernen