Stoffdaten sind von grundlegender Bedeutung für alle verfahrenstechnischen Prozesse. Obwohl große Datenbanken mit experimentellen Stoffdaten existieren, sind bis heute nur für einen Bruchteil der bekannten Stoffe die relevanten Stoffdaten vermessen. Gründe dafür sind der hohe Arbeits- und Kostenaufwand zur Erzeugung experimenteller Daten sowie die Vielzahl interessanter Stoffe und die noch wesentlich größere Zahl der daraus resultierenden Mischungen. Deshalb sind Vorhersagemethoden für Stoffdaten von Mischungen essenziell. Neben etablierten physikalischen Methoden finden Ansätze aus dem maschinellen Lernen (ML) zunehmend Anwendung.

Die Entwicklung leistungsfähiger ML-Modelle erfordert große Mengen experimenteller Daten. Neben öffentlich zugänglichen Literaturdaten, existieren Messungen in den Datenbanken der chemischen Industrie. Diese sind allerdings nicht frei zugänglich. Ich beschäftige mich daher mit Methoden, die das Training und die Weiterentwicklung von ML-Modellen ermöglichen, ohne dass die zugrunde liegenden Daten vollständig offengelegt werden müssen. Ein Schwerpunkt ist das Federated Learning, bei dem mehrere Dateninhaber gemeinsam ein Modell trainieren, ohne ihre experimentellen Daten untereinander auszutauschen. Ein weiterer Schwerpunkt ist das Continual Learning, bei dem bereits trainierte Modelle mit neuen Daten gezielt weiterentwickelt werden, ohne dass die ursprünglichen Trainingsdaten erneut verfügbar sein müssen. Dabei soll insbesondere verhindert werden, dass die Modelle bereits erlerntes Wissen verlieren.

Vorlesungsbetreuung

• Computerlabor Molekulare Simulation (SS 2024)
• Thermodynamik 1 (WS 2024/25)
• Thermodynamik der Mischungen (WS 2025/26)

Sprechzeiten

Nach Vereinbarung

Veröffentlichungen

• P. Zittlau, S. Mross, D. Gond, M. Kohns: Molecular Modeling and Simulation of Organic Electrolyte Solutions for Lithium Ion Batteries, J. Chem. Phys. 161 (2024) 124118. [DOI]
• M. Kohns, P. Zittlau, F. Jirasek: Prediction of the density of aqueous electrolyte solutions with matrix completion methods, Fluid Phase Equilib. 597 (2025) 114454. [DOI]
• R. Loubet, P. Zittlau, L. Vollmer, M. Hoffmann, S. Fellenz, F. Jirasek, H. Leitte, H. Hasse: Using Large Language Models for Solving Textbook-Style Thermodynamic Problems, Comput. Chem. Eng. 204, 109333 (2026). [DOI]

Vorträge

• P. Zittlau, N. Hayer, S. Roos, H. Hasse, F. Jirasek: Confidentiality-preserving training of thermodynamic models with federated learning, Thermodynamik-Kolloquium 2025, Hamburg, 22.-24.10.2025.
• P. Zittlau, N. Hayer, S. Roos, H. Hasse, F. Jirasek: Confidentiality-preserving training of thermodynamic models with federated learning, ESAT 2026, Lissabon, 10.-13.05.2026.

Poster

• P. Zittlau, M. Kohns, F. Jirasek: Prediction of the Density of Electrolyte Solutions with Matrix Completion Methods, Thermodynamik-Kolloquium, Chemnitz, 26.-28.09.2022.
• P. Zittlau, S. Mross, D. Gond, M. Kohns: Molecular Models for Lithium Ion Battery Electrolytes: Cyclic Carbonate Solvents and Lithium Salts, Thermodynamik-Kolloquium 2024, Stuttgart, 25.-27.09.2024.
• P. Zittlau, N. Hayer, S. Roos, H. Hasse, F. Jirasek: Influence of Local Data Heterogeneity on Federated Thermodynamic Model Training, Thermodynamik-Kolloquium 2026, Dortmund, 30.09.-02.10.2026.