Maschinell gelernte Grundmodelle mit impliziten Lösungsmitteln für Organische Moleküle

• Antragstellerin: Professorin Julija Zavadlav, Ph.D.
• Fachliche Zuordnung: Theoretische Chemie: Elektronenstruktur, Dynamik, Simulation
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 561190767

Maschinelles lernen, vor allem mit Fokus auf die Entwicklung von Potenzialmodellen, hat die Vorhersage von Energien mit einer Genauigkeit wie ab initio-Berechnungen zu einem Bruchteil der ursprünglichen Kosten ermöglicht und dadurch erheblich zu Fortschritten im Feld der Molekulardynamik beigetragen. Dennoch erfordert die Anwendung auf Systeme mit großen Zeit- und Längenskalen oder für Hochdurchsatzberechnungen weitergehende Verbesserungen der Effizienz. Modelle mit implizitem Lösungsmittel können diese notwendigen Verbesserungen herbeiführen, insbesondere für Systeme, die zu einem signifikanten Anteil aus Lösungsmittel bestehen. Bisher beschränkt sich der Einsatz maschinellen Lernens zur Entwicklung dieser Modelle jedoch ausschließlich auf wässrige Lösungsmittel. Dieses Projekt zielt auf die Erweiterung bestehender Modelle auf vielfältige nicht-wässrige Lösungsmittel ab, um den Einsatz von Molekulardynamik für zahlreichen bisher unzugängliche Anwendung in der Verfahrenstechnik und darüber hinaus zu ermöglichen. Zugleich sind neue Architekturen und Strategien, aufbauend auf Konzepten aus dem Bereich der Grundmodellen, von großer Bedeutung für die datengestützte Molekulare Modellierung. Die im Rahmen des Projekts entwickelten Softwarepakete zielen auf eine leichte Verwendung in Wissenschaft und Industrie zur Erstellung eigener Potentialmodellen ab und vereinfachen auch den darüberhinausgehenden Einsatz von maschinell gelernten Potentialen in molekulardynamischen Simulationen.

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