Chemische Reaktivität ist ein grundlegender Aspekt der Chemie, der bestimmt, wie Stoffe miteinander wechselwirken und neue Verbindungen bilden. Ihr Verständnis ermöglicht es, chemische Prozesse vorherzusagen und zu steuern, um z.B. neue Materialien zu designen, Arzneimittel zu synthetisieren und nachhaltige Technologien für die Energieerzeugung und -speicherung zu entwickeln. Unser besonderes Interesse gilt der Echtzeit-Reaktivitätsvorhersage für eine effizientere Syntheseplanung und der Fehlerabschätzung empirischer Reaktivitätsparameter für qualitativ hochwertige Vorhersagen. Zu diesem Zweck wenden wir eine Kombination aus Dichtefunktionaltheorie und Machine Learning an.
Leitende Forscherin: Maike Eckhoff
Active Learning steigert die Effizienz von Machine-Learning-Methoden, indem es selektiv die informativsten Trainingsdatenpunkte, die durch Experimente oder Simulationen erzeugt werden, bestimmt. Dadurch kann die Menge benötigter Trainingsdaten erheblich reduziert werden, was Ressourcen schont und die Effizienz ankurbelt. Dieser Ansatz ist insbesondere von Bedeutung, wenn Trainingsdaten knapp oder teuer zu beschaffen sind – wie in der Chemie oder den Naturwissenschaften im Allgemeinen.
Leitende Forscherin: Elizaveta (Liza) Surzhikova
Wirkstoffdesign ist ein wichtiger Bereich der medizinischen Chemie, der sich auf die Entwicklung neuer therapeutischer Verbindungen konzentriert, die wirksam mit biologischen Zielstrukturen interagieren können, um Krankheiten zu behandeln. Die Synthetisierbarkeit dieser Moleküle stellt sicher, dass diese effizient und wirtschaftlich im Labor bzw. im industriellen Maßstab hergestellt werden können, was für die praktische Anwendung entscheidend ist. Durch die Integration von computergestütztem Wirkstoffdesign, Quantenchemie und Machine Learning wollen wir die Entdeckung neuer Wirkstoffe auf verschiedenen Ebenen beschleunigen.
Leitende Forscherin: Kerrin Janßen