Syntheseplanung ist ein Grundpfeiler chemischer Forschung und ihrer industriellen Anwendung. Zwei Aspekte spielen hierbei eine wichtige Rolle: Zeit und Selektivität. Zum einen ist es erforderlich, dass die Umwandlung der Edukte zu den gewünschten Produkten innerhalb eines wirtschaftlich tragbaren Zeitraums erfolgt. Zum anderen soll die Bildung unerwünschter Nebenprodukte unterbunden werden. Wir beschäftigen uns mit dem Design maßgeschneiderter Elektrophile und Nukleophile, die selektiv und auf wohldefinierten Zeitskalen miteinander reagieren. In diesem Zusammenhang entwickeln und erforschen wir Methoden des maschinellen Lernens und der Quantenchemie.
Maschinelles Lernen wird für gewöhnlich mit großen Datensätzen in Verbindung gebracht, die für wegweisende Anwendungen wie Bilderkennung, Spamfilter usw. reichlich verfügbar sind. In den Naturwissenschaften jedoch ist die Erzeugung von Daten teuer, kompliziert und zeitaufwändig. Deshalb ist es wünschenswert, leistungsstarke Vorhersagemodelle auf der Grundlage kleiner Datensätze zu realisieren. Um solch ein datenökonomisches ("grünes") Szenario verwirklichen zu können, entwickeln und erforschen wir Algorithmen des aktiven Lernens. Ein wichtiger Meilenstein in dieser Richtung ist die batchwise variance-based sampling (BVS)-Methode, die wir in Kollaboration mit der Gruppe von Markus Reiher (ETH Zürich) entwickelt haben.