Hybride Thermodynamische Modelle (DFG Emmy-Noether-Nachwuchsgruppe)

Pressemitteilung

Maschinelles Lernen und physikalisches Wissen verbinden: Nachwuchsgruppe entwickelt Modelle für industrielle Produktion

Beschreibung

Informationen über die thermodynamischen Eigenschaften von Gemischen sind die Grundlage für die Auslegung und Optimierung verfahrenstechnischer Prozesse – etwa in der chemischen, pharmazeutischen und biotechnologischen Industrie oder bei der Umstellung von Produktionsrouten auf erneuerbare Rohstoffe. Da sich die enorme Vielzahl möglicher Komponenten, Gemische und Zustandspunkte nicht vollständig experimentell untersuchen lässt, werden Modelle benötigt, die zuverlässige Vorhersagen auch dort liefern, wo keine Messdaten vorliegen. Etablierte physikalische Modelle wie Zustandsgleichungen und Gᴱ-Modelle stoßen dabei häufig an Grenzen, weil Parameter für viele Stoffe und Gemische fehlen. Methoden des maschinellen Lernens (ML) eröffnen neue Möglichkeiten, leiden aber unter den vergleichsweise kleinen Datensätzen in der Thermodynamik und berücksichtigen physikalische Gesetzmäßigkeiten a priori nicht. Ziel der von der Deutschen Forschungsgemeinschaft (DFG) im Emmy-Noether-Programm geförderten Nachwuchsgruppe ist es daher, hybride Modelle zu entwickeln, die die Stärken beider Ansätze vereinen. Dazu werden zwei Wege verfolgt: Erstens werden ML-Algorithmen in physikalische Modelle eingebettet, um deren Parameter vorherzusagen; durch ein End-to-End-Training direkt auf Phasengleichgewichtsdaten sollen so Gruppenbeitragsmethoden wie UNIFAC sowie Modelle für Elektrolytlösungen vervollständigt werden. Zweitens wird physikalisches Wissen – etwa die Gibbs-Duhem-Gleichung oder Permutationsinvarianz als Nebenbedingung direkt in tiefe neuronale Netze integriert, sodass deren Vorhersagen thermodynamisch konsistent sind. Zudem werden auf Basis von Active Learning Strategien zur Versuchsplanung entwickelt, die gezielt diejenigen Experimente identifizieren, die für das Training der Modelle am informativsten sind. Alle entwickelten Modelle sind über https://ml-prop.mv.rptu.de/ verfügbar.

Förderung

Deutsche Forschungsgemeinschaft (DFG), Emmy-Noether-Programm · Laufzeit:  2023 - 2029 · Fördervolumen: ca. 2 Mio. € · Leitung: Prof. Dr.-Ing. Fabian Jirasek