15.06.2022

Molekulare Daten intelligent aufbereiten

Projekt zum maschinellen Lernen geht komplexe molekulare Systeme an.

Das maschinelle Lernen, also die Fähigkeit mithilfe von Algorithmen wichtige Muster in Datenbeständen zu erkennen und Lösungen zu erzeugen, ist ein Forschungszweig von rasant wachsender Bedeutung. In Physik, Chemie und Biologie mit komplexen molekularen Strukturen gerät das klassische maschinelle Lernen an seine Grenzen. Um molekulare Daten besser verstehen und nutzen zu können, müssen neue Modelle entwickelt werden. Das strebt das Schwerpunkt­programm „Nutzung und Entwicklung des maschinellen Lernens für molekulare Anwendungen – Molekulares Maschinelles Lernen“ der DFG an. Am Ende der sechsjährigen Förderzeit soll Software bereitstehen, die von Wissenschaftlern im Alltag genutzt werden kann und neue Anwendungen ermöglicht – etwa in der Pharmazie.

 

Abb.: Die Energie­übertragung zwischen licht­absorbierenden Molekülen, die...
Abb.: Die Energie­übertragung zwischen licht­absorbierenden Molekülen, die an eine Ton­oberfläche gebunden sind, steht im Mittel­punkt des Projekts. (Bild: Jacobs Univ.)

An einem neu aufgelegten Programm zum maschinellen Lernen für molekulare Systeme in Physik und Chemie sind zwei Forscher der Jacobs University Bremen beteiligt: Peter Zaspel, Professor für Informatik, und Ulrich Kleinekathöfer, Professor für theoretische Physik. Dies verschafft ihnen außerdem Zugang zu einem bundesweiten Experten­netzwerk für den thematischen Austausch.

„Die Darstellung und Berechnung von Eigenschaften von Molekülen im Computer ist alles andere als trivial“, sagt Zaspel. „Eine der wesentlichen Herausforderungen ist, dass wir erst neue Daten generieren müssen, anstatt wie sonst mit bestehenden Daten zu arbeiten. Das macht konzeptionell einen großen Unterschied.“ Die Forschungs­gruppe wendet den „Multi-Fidelity-Ansatz“ des maschinellen Lernens an, der Daten unterschiedlichster Genauigkeit miteinander kombiniert.

Für die Datenproduktion sind komplizierte physikalische und quantenchemische Berechnungen nötig. „Dieser Prozess ist aufwendig, teuer und kann mehrere Tage in Anspruch nehmen“, erläutert Kleine­kathöfer. „Wir wollen auf Basis der Daten Modelle des maschinellen Lernens entwickeln, die großskalige Berechnungen schneller und effizienter machen. Das wäre eine extreme Vereinfachung.“ Dieses Verfahren ist beispielsweise zur Verbesserung spezieller Solarzellen nutzbar.

Das Tandem Kleinekathöfer und Zaspel hat sich gemeinsam um das DFG-Projekt beworben. Für beide besteht der Reiz des Schwerpunkt­programms nicht nur darin, neue Erkenntnisse in ihren Spezial­gebieten zu gewinnen, sondern im interdisziplinären Austausch mit Kollegen im ganzen Bundesgebiet. Mehr als ein Dutzend Universitäten und Forschungseinrichtungen bringt das Programm zusammen, das von Frank Glorius von der Universität Münster koordiniert wird. „Wir erhoffen uns ergiebige Synergien“, so Kleine­kathöfer. An der Jacobs University ist das Programm verbunden mit der Schaffung von zwei Stellen für Doktoranden. Das Fördervolumen durch die DFG für die beiden Wissenschaftler beträgt knapp 500.000 Euro.

Jacobs Univ. / DE

 

Weitere Infos

Sonderhefte

Physics' Best und Best of
Sonderausgaben

Physics' Best und Best of

Die Sonder­ausgaben präsentieren kompakt und übersichtlich neue Produkt­informationen und ihre Anwendungen und bieten für Nutzer wie Unternehmen ein zusätzliches Forum.

ContentAd

Kleinste auf dem Markt erhältliche Hochleistungs-Turbopumpe

Kleinste auf dem Markt erhältliche Hochleistungs-Turbopumpe

Die HiPace 10 Neo ist ein effizienter, kompakter Allrounder für den Prüfalltag, der geräuscharm und besonders energieeffizient ist.

Meist gelesen

Themen