Physik und Chemie

Chemie

Machine Learning hat in der Chemie eine lange Tradition. Die quantitative Struktur-Wirkungs-Beziehung (QSAR) verbindet molekulare Strukturen mit physikochemischen Eigenschaften sowie biologischen, toxikologischen oder pharmakologischen Aktivitäten. Das inverse Problem, bekannt als Material-Engineering, erfährt derzeit rasch wachsende Aufmerksamkeit. Am ScaDS.AI Dresden/Leipzig setzen wir bereits neuartige Künstliche-Intelligenz-(KI-)Ansätze ein, um das ligandenbasierte Screening in der computergestützten Wirkstoffentwicklung (CADD) zu beschleunigen. Mit der BCL-Softwarebibliothek machen wir Fortschritte in Machine Learning und KI verfügbar, um Millionen wirkstoffähnlicher Moleküle in silico zu screenen und zu priorisieren. Graph-Grammatik-basierte Werkzeuge erleichtern die Analyse chemischer Reaktionsnetzwerke auf Basis von Graphtransformationen und Hyperflows und verknüpfen Machine-Learning- und KI-Methoden zur Vorhersage molekularer Eigenschaften und Reaktionen mit umfangreichen Wissensbasen.

Physik

Machine-Learning- und KI-Ansätze gewinnen auch in der Physik zunehmend an Bedeutung. Dabei kommen datengetriebene Methoden zum Einsatz, um die Schleife zwischen Theorie und Experiment zu schließen und sowohl das theoretische Verständnis fundamentaler physikalischer Zusammenhänge als auch die experimentelle Validierung hochkomplexer Dynamiken voranzutreiben. Wir nutzen Machine Learning und KI für Surrogatmodellierung und inverse Probleme in Bereichen wie Materie unter extremen Bedingungen, Astrophysik im Labor, dem Verständnis von Warmer Dichter Materie, Plasmaphysik, Beschleunigerphysik und starker Feld-Quantenelektrodynamik. In der Nanophotonik zielen wir auf die Kontrolle dynamischer Prozesse und emergenten kollektiven Verhaltens durch optische Mikroskopie in synthetischen aktiven Materialien ab. Single-shot CNNs und Q-Learning-Techniken auf diskreten Zustandsräumen wurden beispielsweise für die Echtzeit-Objektklassifikation und -verfolgung in Mikroskopiebildern entwickelt.

Forschungsschwerpunkte

Unsere Forschung in Physik und Chemie konzentriert sich auf zwei Hauptthemenfelder:

• Lernen effektiver Modelle komplexer dynamischer Phänomene und komplexer Beziehungen zwischen Daten
• Nicht-konvexe inverse Probleme, d. h. Designprobleme

Chemie

Effektive Modelle molekularer Eigenschaften werden auf ein neues Qualitätsniveau gehoben, indem Deep-Learning-Algorithmen so angepasst werden, dass sie direkt auf 3D-Repräsentationen wirkstoffähnlicher Moleküle im ligandenbasierten Combined Annotation Dependent Depletion (CADD) trainiert werden können. Dies ermöglicht ultra-große Bibliotheks-Screening-Kaskaden für „on-demand“-Bibliotheken mit mehr als 200.000.000 möglichen Molekülen. Neue Regel-Lern-Techniken werden molekulare Eigenschaften mit bekannten chemischen Reaktionen kombinieren und die großskalige Extraktion mechanistischer Informationen für Metabolic Engineering und Pharmakodynamik ermöglichen. Die Aussicht ist, großskalige molekulare Designaufgaben zu revolutionieren – von der Syntheseplanung und dem Wirkstoffscreening bis hin zu rationalen Interventionen in komplexen mikrobiellen Gemeinschaften. Wir planen, aktuelle NN-Methoden zu erweitern, um Echtzeit-3D-Objektverfolgung in komplexen biologischen Kontexten zu ermöglichen. Deep-Reinforcement-Learning-Techniken werden auf kontinuierliche Zustands- und diskrete Aktionsräume verallgemeinert.

Physik

Komplementär dazu werden wir aktive Partikel für Reservoir-Computing in flüssiger Umgebung erforschen. Großskalige physikinformierte neuronale Netze und invertierbare neuronale Netze werden zur Surrogatmodellierung von Plasma-Wakefield-Teilchenbeschleunigern und zur Rekonstruktion experimenteller Daten eingesetzt, z. B. in der Strahlungsdiagnostik, Röntgenbeugung und Ptychographie. Die schnelle und zuverlässige Rekonstruktion experimenteller Diagnostik durch invertierbare neuronale Netze wird experimentelle Kampagnen an Großforschungsanlagen revolutionieren. Simulationsbasierte Inferenz, Denoising, Hintergrundentfernung, Transfer-Learning, Surrogatmodellierung, Mustererkennung, Unsicherheitsquantifizierung und Studien zur Vertrauenswürdigkeit werden ein Hauptfokus sein.

Ziele

Wir werden Infrastrukturen untersuchen, um auf Streaming-Daten aus großskaligen Plasmasimulationen zu lernen, Surrogatmodelle zu erstellen und inverse Probleme in der Plasmaphysik zu lösen. Zudem werden Anomalieerkennung für n-dimensionale Daten, Unsicherheitsquantifizierung von Machine-Learning-Vorhersagen und Machine-Learning-basiertes Denoising erforscht. Darüber hinaus zielt die Forschung auf eine Prototyp-Infrastruktur für föderiertes KI-Training auf pseudonymisierten und anonymisierten Patientendaten. Hauptaktivitäten im Bereich Chemie umfassen die Integration von Deep-Learning-KI mit mikrofluidischem-Chip-verbesserter Wirkstoffentwicklung, die Entwicklung einer Kombination aus kombinatorischen und KI-Techniken für das Lernen von Reaktionsregeln in großen chemischen Reaktionssystemen, Machine-Learning-gesteuerte Kontrolle einer thermoplasmonischen Trennung in komplexen Gemischen sowie Kontrolle chemischer Reaktionen in mikrofluidischer Umgebung. Zudem werden Entscheidungsbaum-Ansätze für chemische Netzwerke in bakteriellen Gemeinschaften und neue Ansätze des physikalischen Lernens in aktiven Materialsystemen erforscht.