Professor Dr. Felix Streith-Kalthoff

Digitale Chemie

 

Forschung

In der Synthesechemie müssen Entscheidungen getroffen werden, die auf einer Vielzahl von Faktoren wie Reaktanten, Reagenzien, Reaktionsbedingungen oder Verfahren beruhen. Unser Labor zielt darauf ab, diesen Entscheidungsprozess zu verbessern: Wir entwickeln (Bayes'sche) maschinelle Lernverfahren für die chemische Reaktivität und nutzen deren Fähigkeit, Muster in komplexen, hochdimensionalen Daten zu finden.

Unser Ziel ist es, ML-Tools zu entwickeln, die direkt in einem Labor für synthetische organische Chemie eingesetzt werden können. Wichtig ist, dass diese Werkzeuge das Wissen, über das Chemiker bereits verfügen, nicht ersetzen, sondern ergänzen. Beispiele für solche Werkzeuge sind

• Maschinelles Lernen zur Vorhersage der Ergebnisse neuer katalytischer Reaktionen
• Optimierungsalgorithmen, um Reaktionsbedingungen zu finden und zu verbessern
• Datengetriebene Strategien zur Untersuchung von Reaktionsmechanismen.

Unsere Software-Werkzeuge werden hauptsächlich in Python entwickelt und verwenden etablierte Bibliotheken für maschinelles Lernen und Bayes'sche Optimierung (z.B. PyTorch und BoTorch).

Publikationen