KI-basiertes Hochdurchsatz-Screening von Thiol-En/In-Reaktionen für Anwendungen in selbstheilenden Materialien (ASTRA)

Die Abhängigkeit der modernen Gesellschaft von Kunststoffen und Polymermaterialien erzeugt jährlich etwa 380 Millionen Tonnen Plastikmüll mit erheblichen ökologischen und wirtschaftlichen Folgen. Im Gegensatz zu biologischen Materialien, die über intrinsische Selbstreparaturfähigkeiten verfügen, erleiden konventionelle Polymere irreversible Schäden, die ihre Lebensdauer begrenzen und einen vorzeitigen Ersatz erforderlich machen. Selbstheilende Materialien bieten eine Lösung, indem sie autonome oder stimulusgesteuerte Reparatur von Schäden ermöglichen und so die Materiallebensdauer potenziell um Jahre oder Jahrzehnte verlängern und den Abfall drastisch reduzieren.

Selbstheilende Polymere auf Basis reversibler kovalenter Bindungen, wie zum Beispiel in Thiol-En- und Thiol-In-Reaktionen, stellen einen der vielversprechendsten Ansätze dar, da sie mechanische Robustheit mit Reparierbarkeit verbinden. Bis heute bleibt jedoch die Entdeckung optimaler Thiol-En/In-Paare weitgehend empirisch und stützt sich aufzeitaufwendige und ressourcenintensive Trial-and-Error-Ansätze. Hier versprechen computergestützte Ansätze neue Möglichkeiten für ein rationales, quantitatives Design solcher Reaktionspaare.

Quantenchemische Methoden, insbesondere die Dichtefunktionaltheorie (DFT), können prinzipiell Reaktionsbarrieren und Thermodynamik mit nützlicher Genauigkeit vorhersagen. Solche Berechnungen bleiben jedoch für das grossskalige Screening von Reaktionsräumen mit Zehntausenden von Kombinationen unerschwinglich teuer. Jüngste Fortschritte im maschinellen Lernen (ML) für die Chemie eröffnen neue Möglichkeiten, bedürfen aber ebenfalls umfangreicher, qualitativ hochwertiger Trainingsdaten.

Hier versprechen mehrstufige ML-Architekturen, basierend auf Trainingsdaten von unterschiedlichen Theorie-Ebenen, neue Möglichkeiten, um optimale Reaktionspaare für Thiol-En/In-Reaktionen zu identifizieren. Damit streben wir ein datengetriebenes Design neuer selbstheilender Polymere für spezifische Materialanwendungen an.