Maschinelles Lernen für das molekularpräzise Design multifunktionaler Materialien

• Antragsteller: Professor Dr. Thomas Bocklitz; Privatdozent Dr. Martin Presselt
• Fachliche Zuordnung: Physikalische Chemie von Molekülen, Flüssigkeiten und Grenzflächen, Biophysikalische Chemie ; Analytische Chemie ; Künstliche Intelligenz und Maschinelle Lernverfahren
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 561190461

Das Verhalten von Molekülen an Grenzflächen und in Membranen ist für viele Bereiche von entscheidender Bedeutung, von der Umwandlung von Photoenergie bis zur Biochemie und Pharmakologie von Zellmembranen. Die synthetische Chemie erlaubt zwar beinahe jede molekulare Funktionalisierung, die Vorhersage geeigneter Zielstrukturen für verschiedene Anwendungen, insbesondere die Vorhersage des molekularen Verhaltens an Grenzflächen und in komplexen oder biologischen Umgebungen, bleibt aber eine Herausforderung, die mittels maschinellem Lernens (ML) gemeistert werden kann. Unser Projekt befasst sich mit diesem Bedarf, indem wir das Verhalten funktionalisierter Moleküle, sowohl in reiner Form als auch in Mischungen, in molekularen Monoschichten an der Luft-Wasser-Grenzfläche untersuchen. Diese zweidimensionalen Schichten dienen als ideale Modellsysteme, die es uns ermöglichen, molekulare Modellierung mit ML zu integrieren, um Einblicke in das molekulare Verhalten in komplexen Umgebungen zu gewinnen. Im Rahmen des SPP wollen wir modulare ML-Methoden entwickeln, die die Bildung supramolekularer Strukturen systematisch analysieren und auf der Grundlage dieser Erkenntnisse neue ML-Modelle erstellen. Dieses Projekt wird wiederverwendbare ML-Tools und -Methoden entwickeln, die eine Brücke zwischen Molekularchemie und ML schlagen. Zu den erwarteten Ergebnissen gehört eine Software-Suite für die automatisierte Erstellung von molekularen Schichten und innovativen molekularen Darstellungen. Die erforderlichen großen, unabhängigen Datensätze werden durch den kombinierten Einsatz von Rolle-zu-Rolle- und Langmuir-Blodgett-Techniken gewonnen. Durch eine einzigartige Kombination verschiedener in-situ-Charakterisierungstechniken wird eine Vielzahl spektraler und mikroskopischer Daten gewonnen. Durch dieses Projekt werden wir eine neue Plattform für die Herstellung, Charakterisierung und datengesteuerte Modellierung von Molekülgruppen an Grenzflächen schaffen. Die daraus resultierenden Daten werden wichtige Einblicke in das Verhalten funktionalisierter Moleküle in komplexen, dynamischen Umgebungen liefern und die Weiterentwicklung von KI-Modellen für molekulare Vorhersagen unterstützen.

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