Reinforcement Learning für Gruppenbeitragsmethoden

Das Projekt soll zeigen, dass Reinforcement Learning auch erfolgreich in der Thermodynamik eingesetzt werden kann. Damit sollen Gruppenbeitragsmethoden für Eigenschaften von Reinstoffen und Mischungen entwickelt werden.

Reinforcement Learning (RL) ist eine Technik des Machine Learnings, mit der Software trainiert wird, Entscheidungen zu treffen, um optimale Ergebnisse zu erzielen. Gruppenbeitragsmethoden sind ein Verfahren zur Abschätzung von Stoffdaten, bei dem nur die Eigenschaften einiger Dutzend Strukturgruppen bekannt sein müssen, statt die Eigenschaften von einigen Millionen Stoffen für die Berechnung von Stoffgemischeigenschaften zu benötigen.

In einer ersten Machbarkeitsstudie werden zunächst einfache thermodynamische Gruppenbeitragsmethoden für den Dampfdruck von Reinstoffen betrachtet. Dabei soll ein RL-System entwickelt und aufgesetzt werden, welches Vorschläge für die Definition von Strukturgruppen macht, das Modell an experimentelle Literaturdaten trainiert und auswertet und letztlich die optimale Zerlegung der Stoffe in Strukturgruppen erlernt.

Professor Jirasek und Professorin Fellenz bringen hierzu Erfahrungen in der Entwicklung thermodynamischer Modelle und Expertise in der Entwicklung (tiefer) Machine Learning Modelle zusammen.