Machine-Learning-Ansätze zur Vorhersage chemischer Reaktivität

Unsere Forschung verbindet Quantenchemie und maschinelles Lernen, um chemische Reaktivität zu verstehen, vorherzusagen und zu simulieren. Unser Schwerpunkt liegt auf der Übergangsmetallchemie und der homogenen Katalyse. Dabei nutzen wir elektronische Strukturmethoden auf Basis erster Prinzipien (First-Principles-Methoden) sowie maschinell gelernte interatomare Potenziale, um die Lücke zwischen computergestützten Vorhersagen und experimentellen Beobachtungen zu schließen.

Forschungsthemen

1. Machine-Learned Interatomic Potentials to Simulate Reactivity