In unserer Forschung entwickeln und verwenden wir sowohl theorie- als auch datengestützte Methoden, um chemische Phänomene mit so wenig Ressourcen wie möglich zu verstehen und vorherzusagen. Unsere thematischen Schwerpunkte sind Chemische Reaktivität, Active Learning und Wirkstoffdesign.
Wir sind stets auf der Suche nach motivierten Studierenden für Bachelor- und Masterarbeiten sowie "Hiwi"-Jobs. Schreiben Sie mir (j.proppe@tu-braunschweig.de) oder sprechen Sie mich nach einer Vorlesung oder anderen Veranstaltung an. Wir freuen uns auf Sie!
Kerrins Paper Predicting and Explaining Yields with Machine Learning for Carboxylated Azoles and Beyond ist jetzt auf ChemRxiv veröffentlicht!
Maikes und Kerstins Paper Unveiling CO2 reactivity with data-driven methodsist jetzt auf ChemRxiv veröffentlicht!
Lizas erstes Paper regAL: Python Package for Active Learning of Regression Problemsist jetzt auf Arxiv veröffentlicht!
Wir heißen unsere neusten Gruppenmitglieder herzlich willkommen!
