Maschinelles Lernen zur Vorhersage chemischer Reaktivität: Die Bedeutung “gescheiterter” Experimente

Felix Strieth‐Kalthoff, Frederik Sandfort, Marius Kühnemund, Felix Schäfer, Herbert Kuchen, Frank GloriusAngewandte 2022 · DOI

Abstract

Abstract Die quantitative Vorhersage der Ergebnisse chemischer Reaktionen ist eine zentrale Herausforderung in allen synthetischen Disziplinen. Während die darauf aufbauenden Optimierungsprobleme klassischerweise empirisch adressiert werden, birgt die datengestützte Modellierung ein enormes Potential, diese Prozesse zu beschleunigen. Für solche Vorhersagemodelle werden jedoch große Mengen hochwertiger Daten benötigt, die nur begrenzt verfügbar sind: Zu den Hauptgründen hierfür gehören experimentelle Fehler sowie besonders die menschliche Voreingenommenheit hinsichtlich der Auswahl von Experimenten und der Veröffentlichung von Ergebnissen. In einer Reihe von Fallstudien untersuchen wir die Auswirkungen dieser Verzerrungen auf die Qualität allgemeiner Schlussfolgerungen aus chemischen Reaktionsdaten, wobei die große Bedeutung von “gescheiterten” Beispielen deutlich wird. Schließlich zeigen Fallstudien zu Ansätzen der Datenerweiterung Wege auf, wie diese Einschränkungen umgangen werden können ‐ und demonstrieren somit Perspektiven für eine langfristige Verbesserung der Datenqualität in der Chemie.
BibTeX
@inproceedings{striethkalthoff2022maschinelles,
  author = {Felix Strieth‐Kalthoff and Frederik Sandfort and Marius Kühnemund and Felix Schäfer and Herbert Kuchen and Frank Glorius},
  title = {{Maschinelles Lernen zur Vorhersage chemischer Reaktivität: Die Bedeutung “gescheiterter” Experimente}},
  booktitle = {Angewandte},
  year = {2022},
  doi = {10.1002/ange.202204647},
}

Loading related content...

Figure