Juniorprofessur Westermayr
Aktuelles
Research
Ziel der Forschung der Gruppe ist es, neue maschinelle Lernmethoden zu entwickeln, basierend auf überwachtem, unüberwachtem, und “bestärkendem” Lernen, um die Simulation und das Design neuartiger Moleküle und Materialien zu verbessern.
Forschungsprojekte
Das Design neuer Materialien kann durch unüberwachtes maschinelles Lernen (ML), z. B. durch generatives Lernen, vorangetrieben werden. Hier kann ein Modell aus einer Reihe von Strukturen lernen und neue Strukturen vorhersagen, die noch nie zuvor gesehen wurden, aber ähnliche Eigenschaften haben. In Kombination mit Modellen, die spezielle Eigenschaften von Molekülen vorhersagen, können Moleküle mit optimierten Eigenschaften geschaffen werden. Diese Techniken werden zur Entwicklung neuartiger organischer, anorganischer und hybrider Systeme eingesetzt, die z. B. als Bausteine für organische Elektronik, Katalysatoren oder Inhibitoren für bestimmte Reaktionen dienen.
Licht ist allgegenwärtig. Daher ist es wahrscheinlich nicht überraschend, dass die Natur und das Leben, wie wir es kennen, von lichtinduzierten Reaktionen abhängen. Dennoch ist es äußerst schwierig, die Wechselwirkungen zwischen Licht und Materie zu untersuchen und die Mechanismen der lichtinduzierten Reaktionen zu entschlüsseln. Mit Hilfe von ML werden neue Methoden entwickelt, die die Simulation photochemischer Reaktionen beschleunigen und Zugang zu Eigenschaften verschaffen können, die mit herkömmlichen quantenchemischen Methoden nicht berechnet werden können.
Mit Hilfe von überwachten ML-Modellen wollen wir die mechanistischen Details von Reaktionen von Molekülen verstehen. Ein besonderer Schwerpunkt ist die Selbstorganisation von Molekülen. Selbstorganisation ist die organisierte Bildung hochgeordneter Strukturen aus molekularen Bausteinen. Diese Reaktion kann für die Bildung funktioneller Nanomaterialien nützlich sein, findet aber auch im menschlichen Körper statt und kann zur Aggregation von Peptiden und Proteinen führen, die beispielsweise bei der Alzheimer- oder Parkinson-Krankheit eine Rolle spielt.
Da immer mehr Daten zur Verfügung stehen, werden neue Techniken benötigt, um Informationen zu extrahieren. Wir werden unüberwachtes Lernen einsetzen, um Informationen zu extrahieren, die sich hinter der Komplexität der Daten verbergen. Darüber hinaus werden Werkzeuge der erklärbaren künstlichen Intelligenz eingesetzt, um besser zu verstehen, wie ein ML-Modell lernt - und so den Weg zur Entdeckung neuer chemischer Regeln ebnen, die uns noch verborgen sind.
Publikationen
Ausgewählte Publikationen
Lehre
Modul Bachelor Chemie
Team
Die Mitarbeiterinnen und Mitarbeiter der Juniorprofessur stellen sich vor.
Offene Stellen
Wir haben eine offene Promotionsstelle zur Entwicklung von Techniken des maschinellen Lernens zur Untersuchung der Photodynamik in ausgedehnten Systemen. Das Projekt steht internationalen Bewerbern mit einem wissenschaftlichen Master-Abschluss offen und wird ab Oktober 2023 für drei Jahre finanziert. Nähere Infos
Vertiefungspraktika, Bachelor-Arbeiten und Master-Arbeiten sind jederzeit willkommen. Kontaktieren Sie mich in den Sprechstunden, um mögliche Themen zu diskutieren. Sollten keine Stellen offen sein, lohnt es sich trotzdem, mich für Möglichkeiten zu kontaktieren - oft finden sich Wege, wie z.B. über Stipendien.
3-Jahres Promotionsprojekt im Bereich maschinelles Lernen zur Simulation von lichtinduzierten Reaktionen (Starttermin 10/2023)
Wir suchen eine(n) Doktorand(in), der/die sich unserem Team anschließt und zur Entwicklung von Techniken des maschinellen Lernens zur Untersuchung der Photodynamik in ausgedehnten Systemen beiträgt. Das Projekt steht internationalen Bewerbern mit einem wissenschaftlichen Master-Abschluss offen und wird ab Oktober 2023 für drei Jahre finanziert.
Das Projekt:
Licht spielt eine zentrale Rolle in zahlreichen natürlichen Prozessen und beeinflusst lebenswichtige Phänomene wie Photosynthese, Sehen und Phototherapie. Das Verständnis dieser Mechanismen ist entscheidend für Fortschritte in Bereichen wie Photokatalyse, Solarenergiematerialien und photostabile Arzneimittel. In dieser Funktion sind Sie für die Entwicklung von Algorithmen des maschinellen Lernens verantwortlich, die die Lücke zwischen experimentellen und theoretischen Untersuchungen von lichtinduzierten Reaktionen schließen. Durch die Nutzung der Möglichkeiten des maschinellen Lernens werden Sie komplexe Beziehungen zwischen Molekülstrukturen und Eigenschaften angeregter Zustände erforschen und so effiziente Simulationen der Photodynamik verschiedener Moleküle in komplexen Umgebungen ermöglichen. Das ultimative Ziel ist es, ein umfassendes und atomistisches Verständnis von ausgedehnten Systemen zu schaffen.
Hauptaufgaben:
- Entwicklung und Implementierung von Algorithmen für maschinelles Lernen zur Untersuchung der Photodynamik in ausgedehnten Systemen.
- Erforschung von Korrelationen zwischen Molekülstrukturen und Eigenschaften angeregter Zustände mit Hilfe von Computermodellen.
- Zusammenarbeit mit experimentellen Forschern zur Validierung und Verfeinerung der maschinellen Lernmodelle.
- Entwicklung von Methoden zum besseren Verständnis der Entscheidungsstrategien und des Lernens von maschinellen Lernmodellen
Qualifikation:
Erfolgreiche Bewerber haben die Möglichkeit, in einer interdisziplinären Forschungsgruppe mitzuarbeiten, die die Zusammenarbeit fördert und ein unterstützendes Umfeld bietet. Als Teil des Teams werden Sie Mitglied der Graduiertenakademie Leipzig, der zentralen Einrichtung der Universität Leipzig zur Förderung von Doktoranden und frühen Postdocs.
Während Ihrer Promotion erhalten Sie eine umfassende Ausbildung in modernsten Methoden des maschinellen Lernens, der elektronischen Strukturtheorie und der Molekularsimulation. Diese Ausbildung wird Sie mit wertvollen Fähigkeiten ausstatten, einschließlich der Softwareentwicklung hauptsächlich mit Python. Um Ihr Wissen und Ihr Netzwerk zu erweitern, werden Sie die Möglichkeit haben, an internationalen Workshops und Konferenzen teilzunehmen, die Ihnen Einblicke in die Spitzenforschung geben und die Zusammenarbeit mit Experten auf diesem Gebiet erleichtern.
Voraussetzungen:
- Ein abgeschlossenes Masterstudium in Chemie, Physik, Informatik oder einem verwandten Fachgebiet mit Schwerpunkt auf maschinellem Lernen oder computergestützter Chemie.
- Solide Kenntnisse in Techniken des maschinellen Lernens, wie z. B. Deep Learning, neuronale Netze und statistische Modellierung, sind willkommen.
- Kenntnisse in der Programmierung (v.a. Python) sind von Vorteil.
- Erfahrungen mit quantenchemischen Methoden und Molekulardynamiksimulationen sind wünschenswert.
- Ausgeprägte analytische Fähigkeiten und Problemlösungskompetenz sowie die Fähigkeit, eigenständig und im Team zu arbeiten.
- Ausgezeichnete schriftliche und mündliche Kommunikationsfähigkeiten, um Forschungsergebnisse zu präsentieren und effektiv zusammenzuarbeiten.
Interessierte Kandidaten werden gebeten, sich bei Jun.-Prof. Dr. Julia Westermayr unter julia.westermayr@uni-leipzig.de zu bewerben. Bitte fügen Sie Ihren Lebenslauf und ein Motivationsschreiben bei, in dem Sie Ihr Interesse an der Stelle darlegen, und geben Sie mindestens eine Referenz an, die Ihre Qualifikationen und Ihre Eignung für die Stelle bestätigen können. Wir freuen uns auf Ihre Bewerbung.