Entwicklung und Anwendung von ML-Tools für Energietransfer-katalysierte Photocycloadditionen

• Antragsteller: Professor Dr. Frank Glorius
• Fachliche Zuordnung: Organische Molekülchemie - Synthese, Charakterisierung ; Künstliche Intelligenz und Maschinelle Lernverfahren
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 561351695

Energietransfer-katalysierte (EnT) Cycloadditionen stellen eine wichtige Klasse chemischer Reaktionen dar, um komplexe molekulare Strukturen unter milden Reaktionsbedingungen zu erzeugen. Die Reaktivität und Selektivität von Substraten in EnT-katalysierten Reaktionen bleibt jedoch schwer vorhersagbar, da das mechanistische Verständnis begrenzt ist und es an experimentellen Daten mangelt. Dieses Projekt zielt darauf ab, diese Herausforderungen systematisch anzugehen. Drei Hauptziele sind: (i) die Erstellung eines umfassenden und ausgewogenen Datensatzes zu EnT-katalysierten Reaktionen, (ii) die Entwicklung physikalisch relevanter Deskriptoren zur genauen Erfassung der Reaktivität im Triplett-Zustand, und (iii) die Entwicklung datengetriebener Modelle zur Vorhersage der Selektivität. Mit diesen Modellen sollen wertvolle mechanistische Einblicke gewonnen werden, die eine Generalisierung der Selektivitätstrends über eine Vielzahl von Reaktionsbedingungen und Substraten ermöglichen. Die Vorhersagemodelle werden als benutzerfreundliche Werkzeuge bereitgestellt, die synthetischen Chemikern helfen Reaktionsausgänge präzise vorherzusagen. Der erfolgreiche Abschluss dieses Projekts wird die Anwendbarkeit der EnT-Katalyse erweitern, ihre Nutzung in der komplexen Molekülsynthese erleichtern und Innovationen in der Wirkstoffforschung sowie in der Materialwissenschaft vorantreiben.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2363: Nutzung und Entwicklung des maschinellen Lernens für molekulare Anwendungen - Molekulares maschinelles Lernen
• Internationaler Bezug: Schweiz
• Partnerorganisation: Schweizerischer Nationalfonds (SNF)
• Kooperationspartner: Professor Dr. Kjell Jorner, Ph.D.