Recommender Systems sind vielen aus dem Alltag bekannt: Beispielsweise machen Filmportale Vorschläge für Filme, die Nutzern aufgrund schon geschauter Filme auch gefallen können. Mit diesen Methoden sollen hier KI-basierte Lösungen entwickelt werden, um die Thermodynamik von Stoffgemischen zu beschreiben. Dies ist die Grundlage, um chemische Produktionsprozesse modellbasiert zu optimieren, also beispielsweise die Ressourceneffizienz zu erhöhen. Die KI bietet hier Methoden an, die aus verhältnismäßig wenig verfügbaren Daten Vorhersagen auch über bislang unvermessene Stoffe erlauben.
Der im Projekt „KEEN“ entwickelte Softwareprototyp »MatrixMole« macht es möglich, eine Matrix zu vervollständigen, die Stoffeigenschaften abbildet und Aussagen über thermodynamische Eigenschaften binärer Stoffgemische macht. Darüber hinaus werden Metadaten in Form von Reinstoffeigenschaften wie beispielsweise die Polarität als interaktive Filter angeboten. Im Ergebnis werden nicht nur Aussagen über die Stoffgemische gemacht, die nicht vermessen wurden (Lücken in der Matrix), sondern auch die Unsicherheiten der Vorhersagen quantifiziert.
Ansprechpartner: PD Dr. Michael Bortz, ITWM
Michael Bortz, Fraunhofer ITWM