Project

Maschinelles Lernen ist ein mathematisches Verfahren, das Rechnern ermöglicht, selbständig Wissen aus gegebenen Datensätzen zu erlernen. Diese Technik wird bereits mit Erfolg zur Vorhersage der Eigenschaften von chemischen Verbindungen verwendet. Solche Vorhersagen sind aufgrund der extrem hohen Anzahl chemischer Verbindungen allerdings nicht sonderlich genau. Dies rührt von der Tatsache, dass die zur Verfügung gestellten Datensätze entweder genügend genau, aber zu klein sind – oder genügend gross, aber zu ungenau. In diesem Projekt versuchen wir deshalb, aus einer geschickten Kombination von wenigen hochgenauen Daten und vielen weniger genauen Daten verbesserte Vorhersagemodelle zu entwickeln.

Die Synthese und das Testen von neuen Werkstoffen in der chemischen Industrie oder von neuen Medikamenten in der Pharmazie kosten viel Zeit und Geld. Dieser Aufwand liesse sich beträchtlich reduzieren, wenn es gelänge, die Komplexität chemischer Verbindungen zu bezwingen. Das Projekt möchte mit verbesserten mathematischen Verfahren die zielgenaue Entwicklung von chemischen Verbindungen mit gewünschten Eigenschaften ermöglichen.

Ziel dieses Projekts ist die Entwicklung eines leistungsfähigen Verfahrens zur Vorhersage der Eigenschaften von chemischen Verbindungen. Leistungsfähig bedeutet in diesem Kontext, dass für eine beliebige chemische Verbindung eine hochgenaue Vorhersage der Eigenschaften in extrem kurzer Rechenzeit verfügbar ist.

Dieses Projekt stellt experimentellen Chemikern ein neues Werkzeug bereit, das sie bei Identifizierung, Design, Synthese und Charakterisierung neuartiger und interessanter Verbindungen mit augenblicklichen Vorhersagen anleiten kann. Zusätzlich impliziert der Erfolg solcher Modelle ein verbessertes quantitatives Verständnis für die Beziehung zwischen chemischen Strukturen und ihren Eigenschaften.

L’apprentissage automatique est une méthode mathématique permettant à des ordinateurs d’acquérir des connaissances de manière autonome à partir d’ensembles de données déterminés. Cette technique s’utilise déjà avec succès pour prédire les propriétés de composés chimiques. En raison du nombre extrêmement élevé de liaisons chimiques, les prévisions ne sont toutefois pas particulièrement précises. La cause en est que les ensembles de données mis à disposition sont soit suffisamment précis mais trop petits, soit suffisamment grands mais trop imprécis. C’est pourquoi nous cherchons à améliorer les modèles par une combinaison habile d’un petit nombre de données très précises avec un grand nombre de données moins précises.

La synthèse et le test de nouveaux matériaux dans l’industrie chimique ou de nouveaux médicaments dans l’industrie pharmaceutique prennent beaucoup de temps et coûtent cher. Maîtriser la complexité des liaisons chimiques permettrait de réduire sensiblement ces dépenses. Grâce à des méthodes mathématiques améliorées, le projet vise à développer de manière ciblée des composés chimiques possédant les propriétés souhaitées.

L’objectif de ce projet est le développement d’un procédé performant, soit précis et extrêmement rapide, pour prédire les propriétés de composés chimiques.

Ce projet fournit aux chimistes expérimentaux un nouvel outil qui pourra les guider, grâce à des prévisions instantanées, dans l’identification, le design, la synthèse et la caractérisation de nouveaux composés intéressants. Le succès de tels modèles implique par ailleurs une meilleure compréhension quantitative des relations entre les structures chimiques et leurs propriétés.

Machine learning is a mathematical process that enables computers to acquire knowledge independently from given data sets. This technique is already being used successfully to predict the properties of chemical compounds. However, predictions of this kind are not particularly accurate, because the number of chemical compounds is extremely large. This is due to the fact that the available data sets are either sufficiently accurate but too small, or large enough but too inaccurate. This is why, in this project, we are trying to develop an improved prediction model by using a clever combination of a few highly accurate data and a lot of less accurate data.

It takes a great deal of time and money to synthesise and test new materials in the chemical industry or new medicines in the pharmaceutical sector. This outlay could be reduced substantially if it were possible to control the complexity of chemical compounds. This project aims to use improved mathematical processes to enable the targeted development of chemical compounds with the desired properties.

The goal of this project is to develop a highly effective process capable of predicting the properties of chemical compounds. In this context, effective means that the properties of any chemical compound can be predicted with great accuracy after an extremely short calculation time.

This project provides experimental chemists with a new tool that can guide their efforts to identify, design, synthesise and characterise novel and interesting compounds by means of immediate predictions. In addition, the success of a model like this implies an improved quantitative understanding of the relationship between chemical structures and their properties.