Newsdetails

Maschinelles Lernen zur Vorhersage der Eigenschaften von chemischen Verbindungen

02.02.2017 14:23

NFP-75 "Big Data" Zusprache

Zwei Mitglieder des CCCS, Profs. H. Harbrecht und O.A. von Lilienfeld, haben sich beim NFP-75 "Big Data" erfolgreich beworben. Ihr Projektantrag "Maschinelles Lernen zur Vorhersage der Eigenschaften von chemischen Verbindungen" wurde vom SNF im Herbst 2016 genehmigt.

 

Es gibt zu viele theoretisch mögliche chemische Verbindungen, als dass sie systematisch quantenmechanisch vorausberechnet werden könnten. Um trotzdem sinnvolle Vorhersagen treffen zu können, möchte dieses Projekt maschinelles Lernen mit modernen Näherungsverfahren der Quantenchemie kombinieren.

Die Synthese und das Testen von neuen Werkstoffen in der chemischen Industrie oder von neuen Medikamenten in der Pharmazie kosten viel Zeit und Geld. Dieser Aufwand liesse sich beträchtlich reduzieren, wenn es gelänge, die Komplexität chemischer Verbindungen zu bezwingen. Das Projekt möchte mit verbesserten mathematischen Verfahren die zielgenaue Entwicklung von chemischen Verbindungen mit gewünschten Eigenschaften ermöglichen.

Ziel dieses Projekts ist die Entwicklung eines leistungsfähigen Verfahrens zur Vorhersage der Eigenschaften von chemischen Verbindungen. Leistungsfähig bedeutet in diesem Kontext, dass für eine beliebige chemische Verbindung eine hochgenaue Vorhersage der Eigenschaften in extrem kurzer Rechenzeit verfügbar ist.

Maschinelles Lernen ist ein mathematisches Verfahren, das Rechnern ermöglicht, selbständig Wissen aus gegebenen Datensätzen zu erlernen. Diese Technik wird bereits mit Erfolg zur Vorhersage der Eigenschaften von chemischen Verbindungen verwendet. Solche Vorhersagen sind aufgrund der extrem hohen Anzahl chemischer Verbindungen allerdings nicht sonderlich genau. Dies rührt von der Tatsache, dass die zur Verfügung gestellten Datensätze entweder genügend genau, aber zu klein sind – oder genügend gross, aber zu ungenau. In diesem Projekt versuchen wir deshalb, aus einer geschickten Kombination von wenigen hochgenauen Daten und vielen weniger genauen Daten verbesserte Vorhersagemodelle zu entwickeln.

Dieses Projekt stellt experimentellen Chemikern ein neues Werkzeug bereit, das sie bei Identifizierung, Design, Synthese und Charakterisierung neuartiger und interessanter Verbindungen mit augenblicklichen Vorhersagen anleiten kann. Zusätzlich impliziert der Erfolg solcher Modelle ein verbessertes quantitatives Verständnis für die Beziehung zwischen chemischen Strukturen und ihren Eigenschaften. [Pressemitteilung des SNF]

 

Weitere Zusprachen im Rahmen des NFP-75 "Big Data" in Basel (Uni & FHNW) gingen an:

  • Elger B.S.: Ethical and legal regulation of Big Data research - towards a sensible and efficient use of electronic health records and social media data
  • Gless S.: Legal Challenges in Big Data. Allocating Benefits, Averting Risks
  • Bleisch S.: Employing Video Analytics for Crisis Management