KI in Chemie: NLP‑basierte Molekülrepräsentationen für Materialwissenschaften

Deep‑Learning‑Modelle haben in den letzten Jahren nicht nur die Informatik, sondern auch die Naturwissenschaften erobert. Damit die enorme Menge an chemischen Daten von Algorithmen verarbeitet werden kann, sind molekulare Darstellungen nötig, die sowohl maschinenlesbar als auch für Fachleute verständlich sind.

In der vorliegenden Arbeit werden die beliebtesten digitalen Molekülrepräsentationen vorgestellt, die sich aus Techniken der natürlichen Sprachverarbeitung (NLP) ableiten. Diese Darstellungen ermöglichen es, komplexe chemische Strukturen in Form von Vektoren, Graphen oder Sequenzen zu kodieren, sodass sie direkt in neuronale Netze eingespeist werden können.

Darüber hinaus beleuchtet der Artikel konkrete KI‑Anwendungen, die auf diesen Repräsentationen basieren – von der Vorhersage chemischer Eigenschaften bis hin zur Entdeckung neuer Materialien. Ziel ist es, Forschern, die bislang wenig Erfahrung mit chemischen Darstellungen haben, einen praxisnahen Leitfaden zu bieten, um Projekte an der Schnittstelle von Chemie, Materialwissenschaften und KI zu realisieren.