Digitale Katalyse

Digitale Katalyse

Author(s): Tobias Gensch

Publication: Bunsen-Magazin, Issue 2 2021, Seiten: 77-79

Publisher: Deutsche Bunsen-Gesellschaft für physikalische Chemie e.V., Frankfurt

Language: Deutsch

DOI:  10.26125/pz07-7e55

 

Abstract

Digitale Katalyse ist die Idee, computergenerierte Hypothesen zum Design, Optimierung und Verständnis katalytischer Reaktionen einzusetzen, indem Experimente datengetrieben sowohl ausgewertet, als auch vorgeschlagen werden. Die Ziele sind dabei einerseits, schneller und effi zienter zu optimalen Katalysatoren oder Reaktionsbedingungen zu kommen, und andererseits, ganz neue Katalysatorstrukturen oder chemische Reaktionen zu fi nden. Gleichermaßen ermöglicht die Interpretation datengestützter Modelle komplementäre Einblicke in Reaktionsmechanismen und die fundamentalen Beziehungen zwischen Struktur und Reaktivität. [...]

Cite this: Gensch, Tobias (2021): Digitale Katalyse. Bunsen-Magazin 2021, 2: 77-79. Frankfurt am Main: Deutsche Bunsen-Gesellschaft für physikalische Chemie e.V. DOI: 10.26125/pz07-7e55

 

[1] Paul M. Murray, Simon N. G. Tyler, Jonathan D. Moseley: Beyond the Numbers: Charting Chemical Reaction Space, Accounts of Chemical Research 2016 49, 1292 – 1301.
[2] Corwin Hansch, Albert Leo, Robert W. Taft: A Survey of Hammett Substituent Constants and Resonance and Field Parameters, Chemical Reviews 1991 2, 165 – 195.
[3] Chadwick A. Tolman: Steric Effects of Phosphorus Ligands in Organometallic Chemistry and Homogeneous Catalysis, Chemical Reviews 1977 3, 313 – 348.
[4] Derek J. Durand, Natalie Fey: Computational Ligand Descriptors for Catalyst Design, Chemical Reviews 2019 11, 6561 – 6594.
[5] Matthew S. Sigman, Kaid C. Harper, Elisabeth N. Bess, Anat Milo: The Development of Multidimensional Analysis Tools for Asymmetric Catalysis and Beyond, Accounts of Chemical Research 2016 49, 1292 – 1301.
[6] Natalie Fey: Lost in chemical space? Maps to support organometallic catalysis, Chemistry Central Journal 2015 9, 38.
[7] Melodie Christensen, Lars Yunker, Folarin Adedeji, Florian Häse, Loic Roch, Tobias Gensch, Gabriel dos Passos Gomes, Tara Zepel, Matthew Sigman, Alan Aspuru-Guzik, Jason Hein: Datascience driven autonomous process optimization, ChemRxiv 2020, 10.26434/chemrxiv.13146404.v2.
[8] Benjamin Sanchez-Lengeling, Alán Aspuru-Guzik: Inverse molecular design using machine learning: Generative models for matter engineering, Science 2018 6400, 360 – 365.
[9] Daniel Schwalbe-Koda, Rafael Gómez-Bombarelli: Generative Models for Automatic Chemical Design, In: Kristof T. Schütt, Stefan Chmiela, O. Anatole von Lilienfeld, Alexandre Tkatchenko, Koji Tsuda, Klaus-Robert Müller (eds) Machine Learning Meets Quantum Physics. Lecture Notes in Physics, vol 968. Springer, Cham 2020.

Get PDF

Download the full article​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​