Detailseite
Projekt
Design von photokatalytischen Systemen zur CO2-Reduktion durch synergetische Interaktion von maschinellem Lernen und automatisierten Laboren
Antragstellerinnen / Antragsteller
Professor Dr. Stefan Bräse; Professor Dr. Pascal Friederich; Dr. Nicole Jung
Fachliche Zuordnung
Organische Molekülchemie - Synthese, Charakterisierung
Anorganische Molekülchemie - Synthese, Charakterisierung
Künstliche Intelligenz und Maschinelle Lernverfahren
Anorganische Molekülchemie - Synthese, Charakterisierung
Künstliche Intelligenz und Maschinelle Lernverfahren
Förderung
Förderung seit 2025
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 561374426
Das Projekt "Design von photokatalytischen Systemen zur CO2-Reduktion durch synergetische Interaktion von maschinellem Lernen und automatisierten Laboren" möchte die Entdeckung effizienter Photosensibilisatoren und Katalysatoren für die Reduktion von CO2 zu verwertbaren Chemikalien wie CO und CH4 zu beschleunigen, um sowohl den Klimawandel und die nachhaltige Erzeugung von Rohstoffen zu addressieren. Herkömmliche Ansätze zur Entwicklung von Katalysatoren beruhen auf zeitaufwändigen Trial- und Error Ansätzen. Dies schränkt die Möglichkeit ein, den großen chemischen Raum potenzieller Kandidaten zu erkunden und limitiert eine systematische Wissensgenerierung. Dieses Projekt überwindet diese Einschränkungen, indem es Methoden des maschinellen Lernens und der erklärbaren künstlichen Intelligenz mit der automatisierten experimentellen Plattform ChemASAP kombiniert. Das Projekt wird insbesondere die automatisierte Synthese und Charakterisierung in einem "Self-Driving Lab" mit modernsten Methoden des maschinellen Lernens kombinieren, um eine schnelle und systematische Erkundung von Photosensitizern und Katalysatoren zu ermöglichen. Das Projekt drei Hauptziele: (1) Entwicklung von Modellen des maschinellen Lernens (ML) zur Vorhersage relevanter Eigenschaften von Photosensitizern und Katalysatoren, wie Redoxpotential, Photostabilität und Selektivität, unter Verwendung selbsterklärender Graph neuronaler Netze (GNNs); (2) Erkundung eines großen chemischen Raums zur Identifizierung vielversprechender Moleküle unter Verwendung von aktivem Lernen und daten- und erklärungsgetriebenen Optimierungsalgorithmen; und (3) Integration eines Self-Driving Labs zur Durchführung der Closed-Loop-Optimierung von Verbindungen und katalytischen Bedingungen, bei der experimentelle Daten das ML-Modell kontinuierlich aktualisieren. Die Forschung kombiniert die Chemieinformatik- und Chemie- Expertise von Nicole Jung und Stefan Bräse und das ML Know-how von Pascal Friederich. Zwei gemeinsam betreute DoktorandInnen werden (1) sich auf molekulare Vorlagen, automatisierte Synthese und Laborautomatisierung sowie (2) auf DFT-Rechnungen mit hohem Durchsatz sowie auf die Entwicklung, das Training und die Integration von erklärbaren GNNs und Optimierungsalgorithmen. Beide PhDs werden durch die am KIT bereits etablierten Teams im Bereich Automation und Software Entwicklung unterstützt. Durch die vollständige Automatisierung sowohl der experimentellen als auch der computergestützten Aspekte wird dieses Projekt nicht nur die Entdeckung von Katalysatoren für die CO2-Reduktion beschleunigen, sondern auch wiederverwendbare Werkzeuge und Methoden hervorbringen, die der Community des molekularen maschinellen Lernens und der Chemie im Allgemeinen zugute kommen. Es wird erwartet, dass die Ergebnisse das Feld der KI-gesteuerten Katalyse vorantreiben, Einblicke in die effiziente CO2-Reduktion geben und einen Beitrag zu den breiteren Bemühungen um die nachhaltige chemische Produktion leisten werden.
DFG-Verfahren
Schwerpunktprogramme
