Experimentelle thermodynamische Daten bilden die Grundlage für die Modellentwicklung im Chemieingenieurwesen, insbesondere für datenintensive Ansätze des maschinellen Lernens, und sind für die Auslegung chemischer Prozesse von entscheidender Bedeutung. Allerdings sind diese Daten über zahlreiche heterogene, häufig unstrukturierte Quellen verteilt. Zudem erfordern viele Aufgaben im Chemieingenieurwesen, von der Verarbeitung experimenteller Daten bis hin zur Prozessregelung und Entscheidungsfindung, nach wie vor einen hohen manuellen Aufwand und sind fehleranfällig. Große Sprachmodelle (Large Language Models, LLMs) haben bereits eine hohe Leistungsfähigkeit bei wissensintensiven Aufgaben in der Wissenschaft gezeigt. In meiner Forschung untersuche ich, wie LLMs Arbeitsabläufe in verschiedenen Bereichen des Chemieingenieurwesens unterstützen und effizienter gestalten können.

Ein Schwerpunkt meiner Forschung liegt auf dem Einsatz von LLMs zur Suche, Extraktion und Aufbereitung thermodynamischer Daten aus unstrukturierten Quellen. Dabei setze ich Methoden wie die schemagestützte Datenextraktion und Retrieval-Augmented Generation (RAG) ein und integriere diese in Arbeitsabläufe, bei denen der Mensch aktiv in den Prozess eingebunden bleibt (Human-in-the-Loop). Die daraus entstehenden strukturierten Datenbanken bilden eine Grundlage für die Prozessauslegung und die Entwicklung datenintensiver Modelle des maschinellen Lernens. Ein weiterer Forschungsschwerpunkt ist der Einsatz von LLMs zur Unterstützung der Prozessregelung und des Prozessmanagements. Hierzu werden Betriebsdaten mit Dokumentationen und Berichten verknüpft, die den entsprechenden Kontext liefern. Die Verknüpfung dieser Informationen kann beispielsweise die Erkennung von Anomalien in chemischen Prozessen unterstützen. Eine zentrale Herausforderung bei all diesen Anwendungen besteht darin, die Zuverlässigkeit der von LLMs generierten Ergebnisse sicherzustellen. Diese müssen überprüfbar sein, um im ingenieurwissenschaftlichen Kontext als vertrauenswürdig zu gelten.

Vorlesungsbetreuung

• Entwicklung und Planung verfahrenstechnischer Anlagen (WS 2024/25)
• Thermodynamik II (SS 2025)

Sprechzeiten

Nach Vereinbarung

Veröffentlichungen

• L. Vollmer, R. Loubet, F. Jirasek, S. Fellenz, H. Hasse, H. Leitte: Enabling Transparent Problem Solving in Thermodynamics with Ontologies and Knowledge Graphs, Joint Proceedings of the ESWC 2025 Workshops and Tutorials, Portoroz, Slovenia (proceedings).
• 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]
• R. Loubet, P. Zittlau, M. Hoffmann, L. Vollmer, S. Fellenz, H. Leitte, F. Jirasek, L. Lenhard, H. Hasse: Superstudent intelligence in thermodynamics, Phys. Educ. 61, 025004 (2026). [DOI]
• L. Vollmer, R. Loubet, D. Neider, H. Hasse, H. Leitte: Combining Formal Reasoning and LLMs for Scenario-Based Educational STEM Exercises, Hum.-Cent. Intell. Syst. (2026). [DOI]
• L. Vollmer, R. Loubet, H. Hasse, H. Leitte: KnowTD Interface: An Interactive Neuro-Symbolic Workflow for Thermodynamics Problem Solving, Proceedings of the SymGenAI4Sci Workshop at SEMANTiCS-2026, Ghent, Belgium (accepted).

Vorträge

• L. Vollmer, R. Loubet, P. Zittlau, M. Hoffmann, N. Hayer, S. Fellenz, F. Jirasek, H. Leitte, H. Hasse: Translating Thermodynamic Knowledge to Computers, Thermodynamik-Kolloquium 2024, Stuttgart, 25.-27.09.2024.
• R. Loubet, P. Zittlau, M. Hoffmann, L. Vollmer, S. Fellenz, J. Lenhard, B. Schmid, H. Leitte, F. Jirasek, H. Hasse: Applications of Large Language Models in Thermodynamics, Tag der Verfahrenstechnik, Kaiserslautern, 18.09.2025.
• R. Loubet, P. Zittlau, M. Hoffmann, L. Vollmer, S. Fellenz, J. Lenhard, B. Schmid, H. Leitte, F. Jirasek, H. Hasse: Applications of Large Language Models in Thermodynamics, Thermodynamik-Kolloquium 2025, Hamburg, 22.-24.09.2025.

Poster

• R. Loubet, P. Zittlau, M. Hoffmann, L. Vollmer, S. Fellenz, J. Lenhard, B. Schmid, H. Leitte, F. Jirasek, H. Hasse: Applications of Large Language Models in Thermodynamics, 34thEuropean Symposium on Applied Thermodynamics ESAT 2026, Lisbon, Portugal, 10.-13.05.2026.
• R. Loubet, S. Fellenz, B. Schmid, H. Leitte, F. Jirasek, H. Hasse: Using Large Language Models for Search, Extraction, and Curation of Thermodynamic Data, Thermodynamik-Kolloquium 2026, Dortmund, 30.09.-02.10.2026.
• R. Loubet, N. Hayer, H. Leitte, S. Fellenz, F. Jirasek, H. Hasse: Can ChatGPT Study at RPTU?, 7th Young Researchers Symposium 2026, Kaiserslautern, 15.10.2026.