RWTH

Die RWTH-Forschungsgruppe um Professorin Franziska Schoenebeck veröffentlicht einen Artikel in der renommierten Zeitschrift „Science“. RWTH-Professorin Franziska Schoenebeck, Inhaberin des Lehrstuhls für Organische Chemie I, veröffentlichte im November 2021 mit ihrer Forschungsgruppe den Artikel „Accelerated dinuclear palladium catalyst identification through unsupervised machine learning“ in der Fachzeitschrift „Science“. Die molekulare Forschung wird insbesondere in der Katalyse zu großen Teilen durch intuitionsgesteuerte trial-and-error-Experimente, Screening-Ansätze, mechanistische Studien sowie durch maschinelle Lernmethoden wie dem überwachten Lernen vorangetrieben.

Obwohl sich diese Methoden als leistungsstarke Werkzeuge für die Entdeckung neuer Katalysatoren erwiesen haben, leidet ihre Umsetzung unter ihren inhärenten Einschränkungen: Screening-Ansätze sind typischerweise durch die kommerzielle Verfügbarkeit der gescreenten Moleküle begrenzt und mechanistische Studien sind schwierig auf komplexe Probleme anzuwenden. Methoden des überwachten Lernens erfordern riesige Mengen von experimentellen Daten, um prädiktiv zu sein. Daher gibt es einige Probleme, für die noch keines der oben genannten Tools eine Lösung bietet.

In ihrem kürzlich erschienenen Science-Artikel berichtet die Forschungsgruppe um Professorin Franziska Schoenebeck über eine neue Strategie, solche Probleme mit unüberwachtem maschinellem Lernen zu lösen. Insbesondere untersuchten sie, welche Phosphanliganden Palladium in einer zweikernigen Geometrie stabilisieren können. Bisher sind nur vier Liganden bekannt, die die Bildung dieses speziellen Pd(I)-Dimer-Gerüsts induzieren. Um neue Liganden zu entdecken, die das Pd(I)-Dimer bilden und das Repertoire der chemischen Reaktivität erweitern, verwendeten die Forschenden einen unüberwachten maschinellen Lernalgorithmus. So identifizierten sie 21 nicht intuitive Liganden, die schließlich an repräsentativen Beispielen experimentell verifiziert werden konnten. Die neue Methodik ermöglichte den Forschenden, bisher noch nicht hergestellte Liganden zu berücksichtigen und einen davon zu verifizieren, um die Bildung des gewünschten Pd(I)-Dimer zu induzieren. Dadurch demonstriert die Studie die Leistungsfähigkeit des maschinellen Lernens, den chemischen Raum zu navigieren und zu filtern und nicht intuitive Vorschläge zu ermöglichen, um die Entdeckung neuer Katalysatoren zu beschleunigen.

Zum vollständigen Artikel: https://www.science.org/doi/10.1126/science.abj0999