Stoffdaten sind von grundlegender Wichtigkeit 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 sind der hohe Arbeits- und Kostenaufwand zur Erzeugung experimenteller Daten und die Vielzahl interessanter Stoffe und noch viel größere Zahl der daraus resultierenden Mischungen. Deshalb sind Vorhersagemethoden für Stoffdaten von Mischungen essentiell. Neben etablierten physikalischen Methoden finden Ansätze aus dem maschinellen Lernen (ML) immer mehr Anwendung.

Die Entwicklung von ML Modellen erfordert das Training an experimentelle Daten, wobei die Vorhersagequalität in der Regel mit der Menge der zur Verfügung stehenden Daten zunimmt. Neben den öffentlich zugänglichen experimentellen Daten existieren auch vertrauliche Daten zum Beispiel in Industrieunternehmen. Ich beschäftige mich damit, wie diese vertraulichen Daten für das Training von ML Modellen genutzt werden können, ohne die Offenlegung erforderlich zu machen.

Vorlesungsbetreuung

• Computerlabor Molekulare Simulation (SS 2024)
• Thermodynamik 1 (WS 2024/25)

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]

Vorträge

-

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, Stuttgart, 25.-27.09.2024.