Leistungsstarke heterogene Katalysatoren sind der Schlüssel zu einer umweltfreundlicheren chemischen Industrie und zu künftiger Nachhaltigkeit. Dabei bietet ein in-silico Katalysatoren Screening eine effiziente und kostengünstige Lösung für die Suche nach geeigneten Katalysatoren. Diese publikationsbasierte Dissertation befasst sich daher mit der Entwicklung von physikalisch motivierten Modellen des maschinellen Lernens, welche die Komplexität von Materialien und Adsorbaten für das Screening heterogener Katalysatoren erfassen.     «

Leistungsstarke heterogene Katalysatoren sind der Schlüssel zu einer umweltfreundlicheren chemischen Industrie und zu künftiger Nachhaltigkeit. Dabei bietet ein in-silico Katalysatoren Screening eine effiziente und kostengünstige Lösung für die Suche nach geeigneten Katalysatoren. Diese publikationsbasierte Dissertation befasst sich daher mit der Entwicklung von physikalisch motivierten Modellen des maschinellen Lernens, welche die Komplexität von Materialien und Adsorbaten für das Screening het...     »