Koordinationsfonds

• Antragsteller: Professor Dr. Frank Glorius
• Fachliche Zuordnung: Organische Molekülchemie - Synthese, Charakterisierung ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Pharmazie
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 497274830

Künstliche Intelligenz gehört unbestreitbar zu den sich am schnellsten entwickelnden und gefragtesten Themen unserer Zeit. Diese Technologie erleichtert den Alltag und verändert sowohl die Gesellschaft als auch die Arbeitswelt. Während sich IT-Firmen und akademische Gruppen aus den Bereichen Informatik und Mathematik das neue Feld schnell zu eigen gemacht haben, beginnen Naturwissenschaften wie Biochemie oder Chemie erst jetzt allmählich, das Potenzial von Methoden des maschinellen Lernens (ML) zu erkunden. Unser Ziel ist es, moderne ML-Algorithmen in ihrer ganzen Bandbreite zu entwickeln und auf molekulare Probleme anzuwenden. Während aktuelle Ansätze beispielsweise bereits helfen, molekulare Eigenschaften zu bestimmen und Moleküle virtuell zu screenen, soll das molekulare maschinelle Lernen der Zukunft mit generativen Modellen Moleküle mit bestimmten Eigenschaften und Aktivitäten vorschlagen, Reaktionen selbstständig entwickeln und optimieren sowie analytische Daten sekundenschnell auswerten und interpretieren. Der erste Schritt ist das Design von molekularen Repräsentationen, die das Verständnis von ML erhöhen und robuste und vergleichbare Anwendungen ermöglichen. In geschickter Kombination mit modernsten Algorithmen des maschinellen Lernens können Probleme wie kleine Datensätze, hochkomplexe Fragestellungen und große experimentelle Fehler überwunden und bisher unbekannte molekulare Zusammenhänge gefunden werden. Letztlich sollen Anwendungen, die im Laboralltag von hohem Wert sind, in einfach zu bedienende Software-Suiten umgesetzt und experimentell arbeitende Wissenschaftler daran geschult werden. Damit trägt dieses Schwerpunktprogramm zur Modernisierung eines ganzen Fachgebietes bei. Dazu ist es notwendig, die bestehenden innovativen Bemühungen in den Bereichen Biochemie, Chemie, Informatik, Mathematik und Pharmazie zu vereinen, um einerseits das gesamte verfügbare Wissen zu nutzen und andererseits die modernsten Methoden der theoretischen und praktischen Welt zu kombinieren, um fortschrittliche maschinelle Lernmodelle und -methoden zu entwickeln. Dieses Programm wird die KI-Strategie der Bundesregierung erfüllen und kann Deutschland international als einen führenden Standort für molekulares maschinelles Lernen etablieren. Die beantragten Koordinierungsmittel und das zugrunde liegende Konzept werden dazu beitragen, die einzelnen Forschungsgruppen zusammenzubringen, starke und nutzbringende Beziehungen und Kooperationen zu fördern, die Doktoranden auszubilden und zu befähigen, das SPP mit der internationalen Gemeinschaft zu vernetzen und auch die breite Öffentlichkeit zu erreichen. Ich werde alles daransetzen, dass dieses SPP zu einer Erfolgsgeschichte und einem wissenschaftlichen Highlight wird.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2363: Nutzung und Entwicklung des maschinellen Lernens für molekulare Anwendungen - Molekulares maschinelles Lernen