Erklärbarkeit von Machine Learning Methoden in der Thermodynamik

Bei der Auslegung von verfahrenstechnischen Prozessen sind Informationen über die physikalisch-chemischen Eigenschaften der eingesetzten Stoffe und Mischungen von großer Bedeutung. Die Messung dieser Eigenschaften ist allerdings aufwändig und kostspielig, weshalb experimentelle Datensätze in aller Regel extrem lückenhaft sind; dies gilt sowohl für Stoffdaten von Reinstoffen, als auch insbesondere für Stoffdaten von Mischungen. Aus diesem Grund sind Vorhersagemethoden für Stoffdaten von Mischungen in der Verfahrenstechnik unabdingbar. Neben klassischen Ansätzen, wie Gruppenbeitragsmethoden, bieten Algorithmen aus dem Bereich des maschinellen Lernens (ML) hier vielversprechende neue Möglichkeiten.

In meiner Forschung beschäftige ich mich mit der Fragestellung, wie explizites thermodynamisches Wissen in datengetriebene ML Methoden integriert werden kann, um damit hybride Modelle zur Vorhersage von Stoffdaten von Mischungen zu entwickeln. Dabei untersuche ich unter anderem, wie ML Methoden zur Vorhersage von Stoffdaten sowie deren Ergebnissen aus physikochemischer Sicht interpretiert und erklärt werden können. ML Methoden können beispielsweise selbst in großen Datenmengen Strukturen identifizieren und diese in kompakter Weise in Parametern abbilden; ein Abgleich dieser Parameter mit molekularen oder phänomenologischen Deskriptoren kann neue Erkenntnisse über die ML Methoden und ihre Ergebnisse, aber auch über die Daten selbst, generieren und schafft nicht zuletzt Vertrauen und Akzeptanz von ML Ansätzen in der Thermodynamik. Die gewonnenen Erkenntnisse setze ich zielgerichtet zur Verbesserung von hybriden Modellen zur Vorhersage von Stoffdaten von Mischungen ein, z.B. in Matrixvervollständigungsmethoden (MCM) zur Vorhersage von Aktivitätskoeffizienten.

Informationen zu möglichen Themen studentischer Arbeiten bei mir oder meinen Kollegen befinden sich unter: http://thermo.mv.uni-kl.de/lehre/studentische-arbeiten/

Vorlesungsbetreuung

• Elektrolytthermodynamik (WS 2023/24)
• ChemPlant (SS 2023)
• Entwicklung und Planung verfahrenstechnischer Anlagen (WS 2022/23)
• Wärmeübertragung (SS 2022)
• Molekulare Thermodynamik (WS 2021/22)

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, 124118 (2024), DOI: 10.1063/5.0228158
• D. Gond, J.-T. Sohns, H. Leitte, H. Hasse, F. Jirasek: Hierarchical Matrix Completion for the Prediction of Properties of Binary Mixtures, arXiv, DOI: 10.48550/arXiv.2410.06060.
• J. Zenn, D. Gond, F. Jirasek, R. Bamler: Balancing Molecular Information and Empirical Data in the Prediction of Physico-Chemical Properties, arXiv, DOI: 10.48550/arXiv.2406.08075.
• J.-T. Sohns, D. Gond, F. Jirasek, H. Hasse, H. Leitte: Visual Scalar Matrix Evaluation: An Application to Thermodynamics, in: VisGap - The Gap between Visualization Research and Visualization Software, pp. 1-9, ISBN 978-3-03868-255-4 (2024), DOI: 10.2312/visgap.20241121.
• J.-T. Sohns, D. Gond, F. Jirasek, H. Hasse, G. H. Weber, H. Leitte: Embedding-Space Explanations of Learned Mixture Behavior, Proceedings of the 3rd Conference on Physical Modeling for Virtual Manufacturing Systems and Processes,  Cham, pp. 32-50, ISBN 978-3-031-35779-4 (2023).
• F. Nährig, N. Nunheim, K. S. M. Salih, J.-Y. Chung, D. Gond, Y. Sun, S. Becker, W. R. Thiel: A Novel Cyclopentadienone and its Ruthenium and Iron Tricarbonyl Complexes, Eur. J. Inorg. Chem. 46 (2021) 4832-4841, DOI: 10.1002/ejic.202100745.

Vorträge

• M. Hoffmann, D. Gond, H. Hasse, F. Jirasek: Prediction of Pure Component Vapor Pressures with Graph Neural Networks, Symposium on Thermophysical Properties, Boulder, CO, USA, 23.-28.09.2024.
• D. Gond, J.-T. Sohns, J. Zenn, R. Bamler, H. Leitte, H. Hasse, F. Jirasek: Interpreting Graph Neural Networks for Predicting Activity Coefficients, 14th Europen Congress of Chemical Engineering and 7th European Congress of Applied Biotechnology (ECCE&ECAB), Berlin, 17.09.-21.09.2023. 
• F. Jirasek, N. Hayer, J. Arweiler, D. Gond, T. Specht, H. Hasse: Hybridizing Machine Learning and Physical Modeling for Predicting Thermodynamic Properties of Mixtures, International Conference on Properties and Phase Equilibria for Product and Process Design (PPEPPD), Tarragona (Spain), 21.05-25.05.2023.
• F. Jirasek, N. Hayer, D. Gond, T. Specht, H. Hasse: Combining Machine Learning and Physical Modeling of Mixtures, Thermodynamik-Kolloquium 2022, Chemnitz, 26.09.-28.09.2022.
• D. Gond, J.-T. Sohns, H. Leitte, F. Jirasek, H. Hasse: Learning Pure-Component Descriptors from Mixture Data, (Bio)Process Engineering 2022 - A Key to Sustainable Development, Aachen, 12.09.-15.09.2022.
• D. Gond, J.-T. Sohns, H. Leitte, F. Jirasek, H. Hasse: Molecular Descriptors from Mixture Data, European Symposium on Applied Thermodynamics, Graz (Austria), 17.-20.07.2022.
• F. Jirasek, D. Gond, N. Hayer, T. Specht, H. Hasse: Hybrid Models for Predicting Fluid Properties of Mixtures, European Symposium on Applied Thermodynamics, Graz (Österreich), 17.-20.07.2022.

Poster

• 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.-27.09.2023.
• D. Gond, J.-T. Sohns, H. Leitte, H. Hasse, F. Jirasek: Hybrid GE Models for the Prediction of Activity Coefficients, International Leopoldina Symposium, Halle/Saale, 04.-06.03.2024.
• D. Gond, J.-T. Sohns, J. Zenn, R. Bamler, H. Leitte, H. Hasse, F. Jirasek: Interpreting Graph Neural Networks for Predicting Activity Coefficients, Thermodynamik-Kolloquium 2023, Hannover, 25.-27.09.2023.
• D. Gond, J.-T. Sohns, H. Leitte, F. Jirasek, H. Hasse: Learning Molecular Descriptors from Fluid Properties of Mixtures, Thermodynamik-Kolloquium 2022, Chemnitz, 26.-28.09.2022.