Juniorprofessur Westermayr

Aktuelles

  • Neuer Vorabruck

    "High-throughput property-driven generative design of functional organic molecules"

    Mehr erfahren

  • Rhyan Barrett neuer Doktoratsstudent

    Er wird an der Entwicklung von Methoden des Maschinellen Lernens arbeiten. Im Speziellen wird er Reinforcement Learning Modelle entwickeln, um Reaktionspfade vorherzusagen und dadurch die Selbstorganisation von…

    Mehr erfahren

Theoretische Chemie des Materialdesign, Grafik: Julia Westermayr

Überblick

Übergreifendes Ziel der Forschungsarbeiten ist es, mithilfe von Methoden des Maschinellen Lernens aktuelle Probleme in der Theoretischen Chemie zu behandeln.

mehr erfahren

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

  • High-throughput property-driven generative design of functional organic molecules

    J. Westermayr,* J. Gilkes, R. Barrett, R. J. Maurer*, arXiv:2207.01476 (2022)

    Mehr erfahren

  • Deep learning study of tyrosine reveals that roaming can lead to photodamage

    J. Westermayr, M. Gastegger, D. Vörös, L. Panzenboeck, F. Joerg, L. González, P. Marquetand, Nat. Chem. 14, 914-919 (2022)

    Mehr erfahren

  • BuRNN: Buffer Region Neural Network Approach for Polarizable-Embedding Neural Network/Molecular Mechanics…

    B. Lier, P. Poliak, P. Marquetand, J. Westermayr,* C. Oostenbrink*, J. Phys. Chem. Lett. 13 (17), 3812-3818 (2022)

    Mehr erfahren

  • Machine learning for electronically excited states of molecules

    J. Westermayr, P. Marquetand, Chem. Rev. 121, 16, 9873-9926 (2021)

    Mehr erfahren

Lehre

Modul Bachelor Chemie

Lehrangebot (folgt)

 

Modul Master Chemie

Vertiefungspraktikum Künstliche Intelligenz in der Theoretischen Chemie

mehr erfahren

Team

Die Mitarbeiterinnen und Mitarbeiter der Juniorprofessur stellen sich vor.

Leiterin

Juniorprof. Dr. Julia Westermayr

Juniorprof. Dr. Julia Westermayr

Theoretische Chemie des Materialdesign
Philipp-Rosenthal-Straße 31, Raum E-047
Linnestr. 2
04103 Leipzig

Telefon: +49 341 97-36404

Sprechzeiten

Montag, 15.30-17 Uhr; Mittwoch 8-10 Uhr; oder nach Vereinbarung

Doktoratsstudierender

 Ryan Barrett

Ryan Barrett

Theoretische Chemie des Materialdesign
Philipp-Rosenthal-Straße 31, Room E-044
Linnestr. 2

Leipzig 04103

Offene Stellen

Career, Foto: Colourbox
Career, Foto: Colourbox

Vertiefungspraktika, Bachelor-Arbeiten und Master-Arbeiten sind jederzeit willkommen. Kontaktieren Sie mich in den Sprechstunden, um mögliche Themen zu diskutieren. Momentan sind keine offenen Stellen für PhD oder PostDocs vorhanden. Bei Interesse lohnt es sich trotzdem, mich für Möglichkeiten zu kontaktieren - oft finden sich Wege, wie z.B. über Stipendien.

Kontakt & Anfahrt

Juniorprof. Dr. Julia Westermayr

Juniorprof. Dr. Julia Westermayr

Theoretische Chemie des Materialdesign
Philipp-Rosenthal-Straße 31, Raum E-047
Linnestr. 2
04103 Leipzig

Telefon: +49 341 97-36404

Sprechzeiten

Montag, 15.30-17 Uhr; Mittwoch 8-10 Uhr; oder nach Vereinbarung