Harnessing the power of quantum chemistry and machine learning for improved synthesis and characterization of functional microgels

Nevolianis, Thomas; Mitsos, Alexander; Leonhard, Kai

doi:45074

Harnessing the power of quantum chemistry and machine learning for improved synthesis and characterization of functional microgels = Nutzung der Quantenchemie und maschinellem Lernen zur Verbesserung der Synthese und Charakterisierung von funktionellen Mikrogelen

Nevolianis, Thomas^RWTH*

2026

VerantwortlichkeitsangabeThomas Nevolianis

Ausgabe1. Auflage

ImpressumAachen : Wissenschaftsverlag Mainz GmbH 2026

Umfang1 Online-Ressource : Illustrationen

ISBN978-3-95886-552-5

ReiheAachener Beiträge zur technischen Thermodynamik ; 58

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Druckausgabe: 2026. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University. - Schreibfehler im Übersetzungstitel des Dokuments: funktionelen

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Leonhard, Kai (Thesis advisor)^RWTH* ; Mitsos, Alexander (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2025-06-12

Online
DOI: 10.18154/RWTH-2025-10126
URL: https://publications.rwth-aachen.de/record/1022617/files/1022617.pdf

Einrichtungen

Lehrstuhl für Technische Thermodynamik und Institut für Thermodynamik (412110)

Projekte

Inhaltliche Beschreibung (Schlagwörter)
functional microgels (frei) ; kinetics (frei) ; machine learning (frei) ; microgels (frei) ; partition coefficients (frei) ; quantum chemistry (frei) ; solvation energies (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Mikrogele sind vielseitige, weiche Polymernetzwerke mit Anwendungen in Katalyse, Arzneimittelfreisetzung und Enzymimmobilisierung. Ihre Funktionalität und ihr Verhalten sind eng an die Synthesebedingungen gekoppelt, die das Quellverhalten und dessen Ausmaß bestimmen. Diese Dissertation führt die prädiktive Modellierung der Mikrogelsynthese durch die Integration quantenchemischer Berechnungen und maschinellen Lernens weiter und liefert quantitative, modellbasierte Handlungsempfehlungen auf Basis rechnergestützter und experimenteller Daten zur Entwicklung von Mikrogelen mit maßgeschneidertem Quellverhalten und weiteren gewünschten Eigenschaften. Erstens wird gezeigt, dass die Monomerverteilung in N‑Vinylcaprolactam‑basierten, mit Glycidylmethacrylat funktionalisierten Mikrogelen mithilfe eines bestehenden Synthesemodells gesteuert werden kann, das quantenchemische Berechnungen mit experimentellen Messungen integriert. Dadurch wird eine präzise Kontrolle von Struktur und Eigenschaften ermöglicht. Zweitens werden deuterierungsbedingte Änderungen des Flory‑Wechselwirkungsparameters quantifiziert, um das Quellverhalten deuterierter Mikrogele vorherzusagen; die Vorhersagen werden experimentell validiert und zeigen Unterschiede im Ansprechverhalten, in der Struktur und in der Weichheit gegenüber hydrogenierten Mikrogelen. Drittens werden neue Methoden entwickelt, die die Vorhersagegenauigkeit der freien Solvationsenthalpien ionischer Solute deutlich verbessern—wesentlich für die Modellierung von Reaktionskinetik und Thermochemie in ionischen Mikrogeldomänen—und damit das Design maßgeschneiderter ionischer Domänen erleichtern. Schließlich werden Multi‑Fidelity‑Lernansätze eingeführt, die quantenchemische und experimentelle Daten zusammenführen, um Verteilungskoeffizienten (Toluol/Wasser) besser vorherzusagen; diese Ansätze sind auf andere Lösungsmittelsysteme übertragbar und unterstützen die Auslegung hydrophober Mikrogeldomänen. Insgesamt zeigt die Arbeit, wie die Verknüpfung von computergestützter Chemie mit experimenteller Validierung die Mikrogelsynthese und -funktionalität optimieren kann und den Weg für Fortschritte in verschiedenen Anwendungsfeldern ebnet.

Microgels are versatile soft polymer networks with applications in catalysis, drug delivery, and enzyme immobilization. Their functionality and behavior are closely linked to synthesis conditions, which determine the conditions under which they swell and the extent of that swelling. This thesis advances the predictive modeling of microgel synthesis by integrating quantum chemical calculations and machine learning, providing quantitative, model-based guidance grounded in computational and experimental data for designing microgels with tailored swelling behavior and other desired properties, thereby enhancing their utility in both industrial and research settings. First, it is demonstrated that the monomer distribution within N-vinylcaprolactam-based microgels functionalized with glycidyl methacrylate can be tuned using an existing synthesis model that integrates quantum chemical calculations with experimental measurements, enabling precise control over the microgel’s structure and properties. Second, deuteration-induced changes in the Flory interaction parameter are quantified using quantum chemical calculations to predict swelling behavior in deuterated microgels, and these predictions are validated against experimental data, providing insights into the differences in responsiveness, structure, and softness between deuterated and hydrogenated microgels. Third, new methods are developed that significantly improve the accuracy of solvation free energy predictions for ionic solutes; crucial for modeling reaction kinetics and thermochemistry in ionic microgel domains and thereby facilitating the design of functional microgels with tailored ionic domains. Finally, multi-fidelity learning approaches are introduced that leverage quantum chemical and experimental data to improve the predictability of toluene/water partition coefficients; these approaches are transferable to other solvent systems, crucial for designing microgels with hydrophobic domains. Together, this work demonstrates how integrating computational chemistry with experimental validation can optimize microgel synthesis and functionality, paving the way for advances in various applications.

OpenAccess:
PDF
(additional files)