Note: Das Ziel dieses Projekts ist die Entwicklung eines Frameworks für das integrierte Design von Molekülen und Prozessen durch generatives graph-basiertes maschinelles Lernen. Das Framework verbindet die Molekülskala mit der Prozessskala in der Fluidverfahrenstechnik in vier Modulen: Auf der Molekülskala liefern (1) Graph neuronale Netze (GNNs) thermodynamisch konsistente Vorhersagen für Eigenschaften von Molekülen und Mischungen. Darüber hinaus ermöglicht (2) generatives graph-basiertes maschinelles Lernen ein automatisiertes computergestütztes Design von Molekülen mit gewünschten Eigenschaften. Die GNNs und Methoden des generativen graph-basierten maschinellen Lernens für Moleküle werden in die Prozessskala mit (3) modellgleichungsbasierten Prozessdesign und (4) mit Reinforcement Learning für Prozessdesign integriert. Die methodischen Fortschritte in den einzelnen Modulen und deren Kombination ermöglichen ein integriertes Design chemischer Prozesse und der zugehörigen Moleküle, d.h. Arbeitsmedien, Lösungsmittel und Produkte. Hierbei wird das Framework insbesondere die Entdeckung neuartiger Moleküle und chemischer Prozesse mit höherer Effizienz und Nachhaltigkeit durch graph-basiertes maschinelles Lernen vorantreiben und beschleunigen. Das Framework und Fallstudien zum integrierten Molekular- und Prozessdesign werden im Rahmen des SPP 2331 öffentlich zur Verfügung gestellt, so dass eine aktive Nutzung und Erweiterung möglich sind.
Gast ::
Files
BibTeX |
EndNote:
XML,
Text |
RIS