Maschinelles Lernen für Erklärbares Roundtrip Polymer Reaction Engineering

• Antragstellerinnen: Professorin Dr. Sabine Beuermann; Dr.-Ing. Jelena Fiosina
• Fachliche Zuordnung: Technische Chemie ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 466601458

Polymere sind hochrelevant für unseren Alltag und in der Technik. Auf eine Anwendung zugeschnittene Eigenschaften polymerer Materialien können durch optimierte Reaktionsbedingungen bei der Polymerisation und idealerweise unterstützt durch eine Modellierung des Polymerisationsprozesses erhalten werden. Das Projekt ML-PRE hat den Anspruch, die aktuellen Methoden des Machine Learning (ML) mit denen der Modellierung und Optimierung von Polymerisationsprozessen (polymer reaction engineering, PRE) zu verbinden. Es soll ein neuer, integrierter Lösungsansatz etabliert werden, der ein Reverse Engineering des Polymerisationsprozesses ermöglicht und als ‚Roundtrip PRE‘ bezeichnet wird. Damit eröffnen sich Perspektiven für die Etablierung von nachhaltigen Produktionsprozessen und die Entwicklung von polymeren Materialien mit besseren oder auch neuen Eigenschaften.Ausgangspunkt des Projekts ist die Modellierung der Polymerisationsprozesse mit kinetischen Monte Carlo (KMC) Methoden. Es wird ein open-source KMC Simulator zur Generierung von Trainings- und Testdaten für die ML Methoden eingesetzt. Mit ML-PRE sollen folgende wissenschaftliche Ziele erreicht werden: (1) Die Etablierung einer kohärenten und validierten Suite skalierbarer ML-basierter Modelle für die Modellierung von Polymerisationsprozessen, die ein schnelles und effizientes simulationsgestütztes Lernen von ML-Modellen ermöglichen in Verbindung mit der Erweiterung des KMC Simulators und der kinetischen Modelle (z.B. Acrylatpolymerisation bei hohen Temperaturen, Einfluss hoher Feststoffgehalte auf die Terminierung der Makroradikale); Die Entwicklung ML-basierter Lösungssätze und Modelle für (2) das Reverse Engineering von Polymerisationsprozessen und (3) zum Lernen von Controllern für semi-batch Polymerisationsprozesse.; (4) Schaffung einer allgemeinen und übertragbaren Methodik zur Erhöhung der Transparenz der im Projekt erstellten ML durch geeignete und validierte Techniken zur Erklärbarkeit.Aus der Perspektive des ML finden sich die wesentlichen Innovationen im Ziel (1) und (4): Ziel (1) besteht darin, eine kohärente Suite validierter ML-Modelle und Schnittstellen zu erstellen, die so flexibel sind, die komplexen bidirektionalen Workflows in Roundtrip PRE zu unterstützen. Mit dem Ziel (4) wird eine allgemeine und übertragbare Methodik anstrebt, um Transparenz und Erklärbarkeit der für Roundtrip PRE erstellten und validierten ML-Methoden zu erreichen.In Bezug auf die Kollaborationsmatrix des SPP adressiert dieser Antrag hauptsächlich den Bereich #1 (optimal decision making). Zusätzlich werden mit ML-gestützter Simulation auch Teilaspekte des Bereichs #2 (introducing/enforcing physical laws in machine learning models) abgedeckt. Eine bidirektionale Übertragbarkeit der Ergebnisse wird in dieser Matrix zwischen ersten Spalte (Phenomena/Micro-scale) bei den ‚Mechanistic Models‘ und der dritten Spalte (Flowsheet/Process) bei den Aspekten ‚Experiments (real process)‘ und ‚Optimization‘ erwartet.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2331: Maschinelles Lernen in der Verfahrenstechnik. Wissen trifft auf Daten: Interpretierbarkeit, Extrapolation, Verlässlichkeit, Vertrauen
• Mitverantwortlich: Dr. Marco Drache