Technischen Universität Berlin 26.08.2019, 07:32 Uhr

Maschinelles Lernen erobert die Chemie

BASF und die Technische Universität Berlin haben eine enge Zusammenarbeit im Bereich Maschinelles Lernen vereinbart.
(Quelle: www.tu-berlin.de )
Ziel des gemeinsamen »Berlin based Joint Lab for Machine Learning« (BASLEARN) ist es, für grundlegende chemische Fragestellungen zum Beispiel aus der Prozess- oder Quantenchemie praktikable neue mathematische Modelle und Algorithmen zu entwickeln. Diesem Ziel wollen sich die beiden Partner in den kommenden Jahren gemeinsam widmen.
Maschinelles Lernen gilt heute als ein wesentlicher Pfeiler der Künstlichen Intelligenz. Ziel ist es, durch die Analyse von großen Datenmengen Muster und Gesetzmäßigkeiten zu erkennen und Modelle zur Vorhersage zu entwickeln, die sich anhand ihrer Ergebnisse selbstständig optimieren. Systeme zur Spracherkennung oder für autonomes Fahren sind Anwendungsbeispiele aus dem Alltag für solche maschinellen Lernverfahren. »Letztendlich ähneln die mathematischen Modelle dieser Alltagsbeispiele denen, die im digitalisierten Labor notwendig sind«, erklärt Dr. Hergen Schultze, bei BASF Leiter der Forschungsgruppe »Maschinelles Lernen und Künstliche Intelligenz«.
Die Anwendungsbereiche für Maschinelles Lernen reichen von biologischen Systemen über die Material- und Wirkstoffforschung sowie die Laborautomatisierung bis hin zu dynamischen Prozesssystemen. Konkrete Beispiele, die in den gemeinsamen Forschungsarbeiten behandelt werden sollen, sind unter anderem die Löslichkeit von komplexen Mischungen oder Farben sowie auch Alterungsprozesse von Katalysatoren vorherzusagen. „Das hört sich zunächst nicht sehr kompliziert an, ist es aber leider doch. Beispielsweise kennen wir sicherlich die Löslichkeit einzelner Stoffe und einfacher Mischungen. Wenn man aber mehrere Komponenten in einer Formulierung hat, sieht die Sache schon anders aus“, so Schultze. „Je mehr Daten wir verwenden und je besser angepasst ein Lernmodell ist, desto besser sind seine Vorhersagen, desto effizienter können wir wiederum im Labor arbeiten und desto schneller kommen wir gemeinsam ans Ziel“, ist Schultze überzeugt. „Mathematische Modelle können natürlich auch Laborroboter steuern und damit Versuche durchführen“, ergänzt Schultze ein weiteres Anwendungsbeispiel. So könnten Roboter Routinearbeiten oder den Umgang mit Gefahrstoffen übernehmen wie zum Beispiel bei einer Reaktorreinigung.


Das könnte Sie auch interessieren