Lernen der Gruppen für Gruppenbeitragsmethoden (LEGO)

• Antragstellerinnen / Antragsteller: Professorin Dr. Sophie Fellenz; Professor Dr.-Ing. Fabian Jirasek; Professor Dr. Marius Kloft
• Fachliche Zuordnung: Chemische und Thermische Verfahrenstechnik ; Künstliche Intelligenz und Maschinelle Lernverfahren
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 553345933

Die Kenntnis der thermodynamischen Eigenschaften von Reinstoffen und Mischungen ist von entscheidender Bedeutung in der Verfahrenstechnik, z.B. für Prozessdesign und -optimierung. Da experimentelle Daten häufig nicht verfügbar sind, sind Vorhersagemethoden unverzichtbar. Bei den meisten physikalischen Vorhersagemethoden handelt es sich um Gruppenbeitragsmethoden (GCMs), die Stoffe auf Basis von Strukturgruppen als deren Bausteine modellieren. Obwohl GCMs in der Prozesssimulation sehr etabliert sind, haben sie immer noch signifikante Schwächen, die ihre Genauigkeit und Anwendbarkeit einschränken. In diesem Projekt werden die wichtigsten Einschränkungen bestehender GCMs durch Kombination mit Ansätzen des maschinellen Lernens (ML) adressiert: Nicht-optimal definierte Sturkturgruppen, mangelnde Flexibilität und Ignorieren des molekularen Kontextes sowie unvollständige Parametersätze. Dafür wird zum einen der Einsatz von Reinforcement Learning (RL) für die rigorose Optimierung der Strukturgruppen erforscht. Zum anderen wird Representation Learning (RepL) eingesetzt, um den molekularen Kontext der Strukturgruppen zu erfassen und so die Flexibilität und Genauigkeit der Parametrisierungen von GCMs zu verbessern. Schließlich werden avancierte Matrixvervollständigungsmethoden entwickelt, die die erlernten Gruppenrepräsentationen als zusätzliche Informationen berücksichtigen, um fehlende Parameter von GCMs vorherzusagen und so deren Anwendbarkeit substantiell zu erweitern. Durch das Zusammenführen flexibler ML Methoden mit etablierten physikalischen GCMs wird dieses Projekt leistungsstarke hybride Modelle entwickeln und die Vorhersage thermodynamischer Eigenschaften erheblich verbessern. Durch die Beibehaltung des physikalischen Rahmenwerks der GCMs werden die hybriden Modelle thermodynamisch konsistent und leicht in etablierte Prozesssimulationssoftware implementierbar, was die Anwendbarkeit der neuen Modelle und das Vertrauen in diese fördert. Die Auswirkungen dieses Projekts werden jedoch über die Weiterentwicklung der GCMs hinausgehen. Das Projekt wird z.B. Erkenntnisse über die Relevanz bestimmter Strukturgruppen für die Vorhersage thermodynamischer Eigenschaften liefern, die für die Entwicklung thermodynamischer Modelle im Allgemeinen von Bedeutung sind.

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