Polymerinformatik bei BASF

Polymere stellen eine wichtige Produktkategorie innerhalb von BASF dar. Die Integration von Polymereigenschaften und -daten in datengetriebene Modellierungsaufgaben bleibt jedoch eine erhebliche Herausforderung. Der Hauptgrund dafür liegt in der stochastischen Natur von Polymeren, die die Erstellung einer digitalen, struktur?basierten Repr?sentation erschwert. Das Fehlen einer solchen struktur?basierten Darstellung wirkt sich auch auf das Management von Polymerdaten aus, einschlie?lich ?hnlichkeits- und Substruktursuchen. Wir haben das Fehlen solcher Repr?sentationen als eine bedeutende technologische Lücke bei der Verarbeitung von Polymerdaten identifiziert und eine Initiative gestartet, um diese Lücke zu schlie?en.

Eine effektive Polymerrepr?sentation sollte sowohl die chemische Struktur als auch die Menge der Polymerbausteine und die Bindungswahrscheinlichkeiten zwischen diesen Einheiten erfassen. Darüber hinaus sollte sie die stochastische Natur von Polymeren und deren Mikrostrukturen angemessen wiedergeben, die Block-, Zufalls-, verzweigte und andere Konfigurationen umfassen k?nnen. In den letzten Jahren wurden verschiedene Repr?sentationsmethoden für Polymere in der Fachliteratur ver?ffentlicht. Wir haben mehrere dieser Ans?tze bewertet und einen vielversprechenden Kandidaten für BASF identifiziert: G-BigSMILES (L. Schneider et al., Digital Discovery 2024, 3, 51).

Wir entwickeln G-BigSMILES, um die spezifischen Anforderungen von BASF zu erfüllen. Eine dieser Anforderungen ist die Unterstützung verschachtelter stochastischer Objekte, die für die genaue Beschreibung von Pr?polymeren und Oligomeren erforderlich ist, die als Ausgangsstoffe im Polymerisationsprozess dienen. Darüber hinaus erm?glicht die Polymergraph-Darstellung von G-BigSMILES Substruktursuchen in Polymerdaten und erleichtert die Parametrisierung struktur?basierter, datengetriebener Modelle wie Graph-Neural-Networks (GNNs).