Datensatz #881362 - RWTH Publications

DFG project G:(GEPRIS)466417970

Generatives graph-basiertes maschinelles Lernen für das integrierte Design von Molekülen und Prozessen

Coordinator	Professor Dr. Martin Grohe ; Professor Alexander Mitsos, Ph.D.
Grant period	2021 -
Funding body	Deutsche Forschungsgemeinschaft
	DFG
Identifier	G:(GEPRIS)466417970

⇧ SPP 2331: Maschinelles Lernen in der Verfahrenstechnik. Wissen trifft auf Daten: Interpretierbarkeit, Extrapolation, Verlässlichkeit, Vertrauen ⇧

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.

Recent Publications

All known publications ...
Download: BibTeX | EndNote XML, Text | RIS |

Journal Article/Contribution to a book Brozos, C.RWTH* ; Bhattacharya, S. ; Rittig, J. G.RWTH* ; Akanny, E. ; Eiden, P. ; Mitsos, A. (Corresponding author)RWTH*
Predicting the equivalent alkane carbon number of oils using graph neural networks and quantum mechanical descriptors
Computers & chemical engineering 204, 109425 (2026) [10.1016/j.compchemeng.2025.109425] special issue: "Machine learning in chemical engineering / Guest Editors: Professor Alexander Mitsos, Dr. Erik Esche, Professor Artur M. Schweidtmann"2026 OpenAccess Files BibTeX | EndNote: XML, Text | RIS

Journal Article Nevolianis, T.RWTH* ; Rittig, J. G.RWTH* ; Mitsos, A.RWTH* ; Leonhard, K. (Corresponding author)RWTH*
Multi-fidelity graph neural networks for predicting toluene/water partition coefficients
Journal of cheminformatics 17, 123 (2025) [10.1186/s13321-025-01057-6]2025 OpenAccess Files BibTeX | EndNote: XML, Text | RIS

Journal Article/Contribution to a book Javaid, M. B.RWTH* ; Gervens, T. R.RWTH* ; Mitsos, A.RWTH* ; Grohe, M.RWTH* ; Rittig, J. G. (Corresponding author)RWTH*
Exploring data augmentation: Multi-task methods for molecular property prediction
Computers & chemical engineering 201, 109253 (2025) [10.1016/j.compchemeng.2025.109253] special issue: "Machine learning in chemical engineering : Special issue / Guest Editors: Professor Alexander Mitsos, Dr. Erik Esche, Professor Artur M. Schweidtmann"2025 OpenAccess Files BibTeX | EndNote: XML, Text | RIS

Dissertation / PhD Thesis/Book Rittig, J. G.RWTH* ; Mitsos, A. (Thesis advisor)RWTH* ; Grohe, M. (Thesis advisor)RWTH*
Graph machine learning for molecular property prediction and design
Aachen : RWTH Aachen University, Aachener Verfahrenstechnik series - AVT.SVT - Process systems engineering 35, 1 Online-Ressource : Illustrationen (2025) [10.18154/RWTH-2025-04861]2025 = Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025 OpenAccess Files BibTeX | EndNote: XML, Text | RIS