Aufbau eines physik-informierten neuronalen Netzwerks (PINN) zur Lösung der Schrödingergleichung (oben). Beschreibung eines quantenmechanischen Tunneleffekts am Beispiel der OH-Torsionsmode im Phenolmolekül (unten). (Quelle: J. Gamper, F. Kluibenschedl et al. Phys. Chem. Chem. Phys. 24 (2022) 25191 – 25202 doi: 10.1039/D2CP03921D; CC BY 3.0)
Maschinelles Lernen (ML) ist ein modernes und leistungsfähiges Werkzeug, das die Quantenchemie und die Materialwissenschaften revolutioniert. Durch die Entwicklung von Algorithmen auf Grundlage großer Datenmengen können Materialeigenschaften effizient und mit hoher Geschwindigkeit vorhergesagt werden. Mit den Modellen des maschinellen Lernens kann beispielsweise die Energie von Molekülen errechnet werden, was wesentlich zum Verständnis chemischer Reaktionen beiträgt. Die Integration des maschinellen Lernens mit traditionellen Berechnungsmethoden wie der Quantenmechanik ermöglicht einen synergetischen Ansatz, der die Stärken beider Techniken kombiniert. Da ML-basierte Algorithmen ständig verbessert werden, ist bereits in der nahen Zukunft mit Durchbrüchen beim Design und der Entwicklung neuer funktionaler Materialien zu rechnen.