Detailseite
Projekt
Maschinelles Lernen für asymmetrische und elektrochemische 3d-Übergangsmetall-katalysierte C–H Aktivierungen
Antragsteller
Professor Dr. Lutz Ackermann
Fachliche Zuordnung
Organische Molekülchemie - Synthese, Charakterisierung
Förderung
Förderung seit 2022
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 497259673
Die Übergangsmetall-katalysierte C–H-Aktivierung hat sich in den letzten Jahren als leistungsfähige Strategie für die Katalyse etabliert, mit bemerkenswerten Anwendungen in der Arzneimittelforschung, der late-stage Diversifizierung und den Materialwissenschaften. In diesem Zusammenhang ist die Entwicklung von anspruchsvollen asymmetrischen 3d-Metall-katalysierten C–H-Aktivierungen nach wie vor unzureichend entwickelt. Hier stellt die lineare Multiparameter-Reaktionsoptimierung einen großen Nachteil dar. In den letzten Jahren haben sich datengesteuerte Strategien als ein leistungsfähiges Instrumentarium erwiesen, welches Chemikern hilft, die oben genannten Nachteile zu überwinden. Dieses Projekt zielt darauf ab, durch maschinelles Lernen Vorhersagemodelle zu erstellen und zu implementieren, um den Bereich der asymmetrischen 3d-Übergangsmetall-katalysierten C–H-Aktivierung voranzutreiben, sowohl für den Aufbau eines stereogenen Kohlenstoff-Zentrums als auch für die axiale Chiralität biologisch relevanter Verbindungen. In diesem Zusammenhang ist die Verwendung eines zuverlässigen und robusten Datensatzes von großer Bedeutung. Hier wird der Einsatz von Hochdurchsatz-Experimenten (HTE) durchgeführt, um die rasche Erstellung und Erweiterung einer experimentellen Datenbank zu unterstützen. Danach werden modernste Algorithmen des maschinellen Lernens (SOTA) und GNN bei der Erstellung von Vorhersagemodellen für die genaue Vorhersage der Reaktivität und Selektivität von anspruchsvollen asymmetrischen 3d-Übergangsmetall-katalysierten C–H-Aktivierung und der Elektrokatalyse eingesetzt. Ihr Erfolg hängt jedoch von der genauen Definition der dreidimensionalen Deskriptoren zwischen anderen und genauen molekularen Darstellungen ab. Daher werden wir in dem Schwerpunktprogramm SPP 2363 die synergetische Beziehung zwischen experimenteller Chemie und Computerwissenschaften für das Benchmarking und die Entwicklung genauer Vorhersagemodelle für die Synthese medizinisch relevanter Verbindungen durch asymmetrische Katalyse erforschen. Solche Durchbrüche werden dazu beitragen, dass Deutschland weltweit eine Vorreiterrolle bei der Anwendung künstlicher Intelligenz in der asymmetrischen (Elektro)Katalyse einnimmt.
DFG-Verfahren
Schwerpunktprogramme
