Polymere in Energieanwendungen (CZS-Forschungsgruppe) Dr. Kevin Maik Jablonka Forschungsschwerpunkte • Multimodale wissenschaftliche Datenintegration: Integration verschiedener Datentypen in der Chemie durch KI-Modelle; Entwicklung von Foundation Models für chemische und materialwissenschaftliche Daten; Verknüpfung experimenteller und theoretischer Modalitäten. • Dateneffiziente und robuste KI-Modelle: Entwicklung hierarchischer Modellierungsansätze; Integration von Simulationswerkzeugen; Selbstlernende Systeme zur Überwindung von Datenlücken; Einbindung von materialwissenschaftlichem und chemischen Vorwissen. • Mensch-Maschine-Tandems für Materialentdeckung: Entwicklung interaktiver Systeme für die Materialforschung; Hypothesengenerierung z.B. durch kontrafaktische Ansätze. Unsere Forschung zielt darauf ab, die Materialentwicklung durch künstliche Intelligenz fundamental zu verbessern. In einer Zeit, in der die Energiewende zentrale materialwissenschaftliche Innovationen erfordert, entwickeln wir KI-Systeme, die das kollektive Wissen der Chemie zugänglich machen und neue Entdeckungen beschleunigen. Ein Schwerpunkt liegt auf der Integration verschiedener Datenmodalitäten. Wir entwickeln Foundation Models, die unstrukturierte wissenschaftliche Daten verarbeiten können, und setzen neue Maßstäbe in der automatischen Extraktion strukturierter Daten aus der wissenschaftlichen Literatur. Unsere Forschung zu Large Language Models zeigt, dass diese Systeme in vielen Bereichen der Chemie bereits beeindruckende Fähigkeiten erreichen, wobei wir gleichzeitig ihre Grenzen systematisch untersuchen. Im zweiten Forschungsschwerpunkt entwickeln wir dateneffiziente und robuste Modelle. Durch die Integration von Simulationswerkzeugen und chemischen Vorwissen schaffen wir Systeme, die auch mit begrenzten Datensätzen zuverlässig arbeiten. Besonderer Schwerpunkt liegt hier auf einem hierarchischer Modellierungsansatz, der verschiedene Längenskalen berücksichtigt und damit die Komplexität realer Materialsysteme erfasst. Der dritte Schwerpunkt fokussiert sich auf die Entwicklung von Mensch-Maschine-Tandems für die Materialentdeckung. Statt einer vollständigen Automatisierung entwickeln wir interaktive Systeme, die menschliche Intuition mit der Rechenleistung von KI-Systemen verbinden. Unser spec2structFramework, beispielsweise, demonstriert diesen Learning from the collective knowledge of chemistry Ansatz erfolgreich bei der Strukturaufklärung, indem es verschiedene spektroskopische Daten integriert und gleichzeitig Vertrauensmetriken bereitstellt. Diese Forschungsrichtungen ergänzen sich gegenseitig und schaffen die Grundlagen für eine neue Generation von KI-gestützten Werkzeugen in der Materialwissenschaft. Unsere Methoden sind dabei nicht auf die Materialwissenschaft beschränkt, sondern lassen sich auf andere wissenschaftliche Bereiche übertragen. [1] Jablonka, K. M.; Schwaller, P.; Ortega-Guerrero, A.; Smit, B. (2024): Leveraging Large Language Models for Predictive Chemistry, Nature Machine Intelligence, 10.1038/s42256-023-00788-1. [2] Schilling-Wilhelmi, M.; Ríos-García, M.; Shabih, S.; Gil, M. V.; Miret, S.; Koch, C. T.; Márquez, J. A.; Jablonka, K. M. (2025): From Text to Insight: Large Language Models for Chemical Data Extraction, Chemical Society Reviews, 10.1039/D4CS00913D. [3] Mirza, A.; et al. (2025): A framework for evaluating the chemical knowledge and reasoning abilities of Large Language Models against the expertise of chemists, Nature Chemistry (in press). Abb. 1. Moleküle und Materialien können als latente Objekte betrachtet werden, die oft nicht direkt beobachtet werden. In der Praxis arbeiten Materialwissenschaftler nur mit Syntheseprotokollen und Eigenschaftsmessungen. End-to-End-Lernen unter Einbeziehung von Syntheseprotokollen macht die Materialentdeckung praktikabler. Bild: AG Jablonka 100 — FORSCHUNG
RkJQdWJsaXNoZXIy OTI3Njg=