Juniorprofessur Westermayr

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.