Vorhersage der Eigenschaften von chemischen Verbindungen
Autor
Prof. Helmut Harbrecht
Universität Basel
Gespräch mit dem Verantwortlichen des NPF75-Projekts «Maschinelles Lernen zur Vorhersage der Eigenschaften von chemischen Verbindungen».
Welche Ziele verfolgen Sie mit Ihrem Projekt, und was haben Sie bereits realisiert?
Die Synthese und das Testen von neuen Werkstoffen in der chemischen Industrie oder von neuen Medikamenten in der Pharmazie kosten viel Zeit und Geld. Ziel dieses Projekts ist es, mit Hilfe des Maschinellen Lernens eine preiswerte Vorhersage der Eigenschaften chemischer Werkstoffe zu ermöglichen.
Worauf sind Sie und Ihr Team besonders stolz?
Als Mathematiker ist man primär ein Methodenentwickler. Es freut mich ungemein, dass unsere Techniken nun in praxisrelevanten Aufgabenstellungen Anwendung finden.
Welche Veränderungen bewirkt Ihr Projekt?
Wenn alles gut geht, dann können dank unserer Ergebnisse sehr viele chemische Verbindungen auf spezielle Eigenschaften hin untersucht werden, um die für eine spezifische Anwendung am besten geeignete Verbindung zu finden. Man stellt sich leicht vor, was das für neue Möglichkeiten eröffnet.
Was bedeutet das NFP 75 für Sie?
Ohne das NFP könnten wir unser Team nicht finanzieren und folglich unser Projektvorhaben nicht durchführen. Speziell ermöglicht es die sicherlich nicht so übliche Zusammenarbeit zwischen Chemikern und Mathematikern.
Schematische Darstellung der neuentwickelten Extrapolationstechnik in einem abgewandelten Pople-Diagramm aus der Quantenchemie (benannt nach dem Nobelpreisträger John Pople).
Weiterführende Literatur
P. Zaspel, B. Huang, H. Harbrecht, and O.A. von Lilienfeld. Boosting quantum machine learning models with multi-level combination technique: Pople diagrams revisited. arXiv:1808.02799, 2018.