Forschungsthemen

Beugunsmethoden besitzen seit vielen Jahren einen großen Stellenwert in der Strukturaufklärung von Festkörperverbindungen, Molekülen und biologischen Proben. Seit einiger Zeit hat sich Elektronenbeugung als vielsprechende Alternative zu den etablierten Methoden herausgestellt (wie z.B. Röntgen- und Neutronenbeugung . Ein großer Vorteil der Elektronenbeugung ist, dass deutlich kleinere Kristallitgrößen untersucht werden können und die Datenaufnahme in konventionellen Transmissionselektronenmikroskopen erfolgen kann. Aufgrund der starken Wechselwirkung von Elektronen mit Materie (sogenannte dynamische Effekte), kann eine Auswertung von Elektronenbeugungsdaten schwierig sein, was eine Strukturanalyse erschweren kann.

Um diese Probleme zu adressieren, nutzen wir Maschinelles Lernen - darunter Convolutional Neural Networks (CNNs) und Graph Neural Networks (GNNs) - um wichtige Schritte im Auswertungsprozess von Elektronenbeugungsdaten zu automatisieren. Im Detail versuchen wir:

• Beugungsdiagramme automatisch zu identifizieren ("indizieren"),
• Daten in Echtzeit während der Datenaufnahme zu klassifizieren und
• Strukturen genauer zu verfeinern.

Bitte nehmen Sie sich einen Moment Zeit, atmen Sie tief durch und beschreiben Sie, was Sie riechen. Gar nicht so einfach, oder?

Menschen sind hervorragend darin, Gerüche zu unterscheiden, haben jedoch oft Schwierigkeiten, sie in Worte zu fassen. Es ist nicht verwunderlich, dass wir die Wahrnehmung von Farbe oder Tonhöhe auf Wellenlänge bzw. Frequenz abbilden können, während die Beziehung zwischen Duftbeschreibungen und der chemischen Struktur weiterhin ein Rätsel bleibt. Die Welt der olfaktorischen Reize und Duftbeschreibungen ist komplex und hochdimensional. Maschinelles Lernen hat unter ähnlichen Bedingungen, etwa in der Verarbeitung natürlicher Sprache, seine Leistungsfähigkeit bereits bewiesen. Daher möchten wir das Potenzial von maschinellem Lernen in der Duftforschung erkunden. 

Unsere Forschung zielt auf folgende Teilbereiche ab:

• Sprach-Duft-Mapping: Korrelation der Parfümeriesprache und der Geruchswahrnehmung mithilfe von Natural-Language-Processing-Verfahren (z. B. große Sprachmodelle)
• Geruchsvorhersage: Einsatz klassischer und Deep-Learning-Methoden in Kombination mit Fingerprints und Graph-Neural-Networks, um den Geruch komplexer Duftmischungen anhand ihrer chemischen Struktur vorherzusagen
• Duftoptimierung: Anwendung unserer Modelle auf Duftformulierungen

Diese Forschung konzentriert sich in erster Linie auf die Entwicklung von Werkzeugen des maschinellen Lernens zur Simulation und Gestaltung molekularer Systeme in verschiedenen Kontexten. Zu den jüngsten Arbeiten gehören die Integration von angeregter Zustandsdynamik, die Einbeziehung molekularer Wechselwirkungen mit externen Feldern sowie die Berücksichtigung quantenmechanischer Kerneffekte in maschinelle Lernarchitekturen. Insbesondere wurde eine Multipol-Expansion in das MACE-Framework integriert, um mit FieldMACE effizient langreichweitige Wechselwirkungen und Umwelteinflüsse in großen Systemen zu modellieren und mithilfe von Transfer Learning den Datenbedarf zu reduzieren. Darüber hinaus wurde eine angeregte Zustandsvariante namens X-MACE entwickelt, die einen DeepSets-Autoencoder einsetzt, um anspruchsvolle nicht-glatte Bereiche in der Nähe von konischen Durchschnitten zu bewältigen. Aktuelle Forschung umfasst zudem die Nutzung von Transfer Learning und anderen Frameworks, um quantenmechanische Kerneffekte in Szenarien mit Wasserstoffisotopen zu modellieren. Darüber hinaus wurden genetische Optimierung und generatives Modellieren kombiniert, um Reaktionsumgebungen zu verfeinern, und es wird Verstärkungslernen (mithilfe eines Actor-Critic-Ansatzes und Modellen wie PaiNN) angewendet, um Übergangszustände und minimalste Energiepfade für Reaktionen zu identifizieren.

Generatives maschinelles Lernen verändert, wie wir neue Moleküle entdecken, indem es die Erkundung des riesigen chemischen Raums effizienter macht. Die Anzahl möglicher Verbindungen ist praktisch unendlich, und traditionelle Methoden können mit diesem Ausmaß nicht mithalten. Durch das Erlernen von Mustern aus vorhandenen Daten können generative Modelle neue Moleküle mit optimierten Eigenschaften vorschlagen, wodurch der Versuch-und-Irrtum-Prozess reduziert wird. In der Wirkstoffforschung helfen sie dabei, bioaktive Verbindungen mit besserer Selektivität und weniger Nebenwirkungen zu finden. In der Katalyse können sie Materialien empfehlen, die Reaktionen effizienter gestalten, Energie sparen und Kosten senken.

Unser Projekt wendet dieses Konzept an, um optimierte Reaktionsumgebungen zu entwerfen, die chemische Transformationen verbessern. Anstatt nach einzelnen Katalysatormolekülen zu suchen, konzentrieren wir uns darauf, gesamte molekulare Umgebungen zu gestalten, die wichtige Reaktionszwischenprodukte stabilisieren und Aktivierungsbarrieren senken. Um dies zu erreichen, integrieren wir generatives maschinelles Lernen in einen genetischen Optimierungsrahmen und verfeinern iterativ die Reaktionsumgebungen, um die katalytische Effizienz zu maximieren. Ein wesentlicher Bestandteil unseres Ansatzes ist der Einsatz diffuser-basierter generativer Modelle, die eine flexible und unvoreingenommene Erkundung molekularer Strukturen ermöglichen, indem sie zufälliges Rauschen schrittweise in chemisch sinnvolle Konfigurationen umwandeln. Dies kombinieren wir mit MACE, einem äquivarianten maschinellen Lernkraftfeld, um Wechselwirkungsenergien vorherzusagen und die Auswahl vielversprechender molekularer Umgebungen zu leiten.