Für die materialwissenschaftlichen Anwendungen in diesem Workshop bestehen die Prädiktoren aus physikalisch-chemischen Eigenschaften oder theoretischen molekularen Deskriptoren von Chemikalien. QSPR-Modelle fassen anfangs eine vermutete Beziehung zwischen molekularen Strukturen und Eigenschaften, z.B. Auswirkung auf das Korrosionsverhalten von Legierungen, in einem Datensatz von Chemikalien zusammen. In einem zweiten Schritt können QSPR-Modelle die Eigenschaften neuer Chemikalien voraussagen.

Nach einer kurzen Einführung in die theoretischen Grundlagen liefert dieser Workshop tiefere Einblicke in die QSPR-Modellerstellung und den damit verbundenen Herausforderungen. Weiterhin werden verschiedene Methoden für die Vorhersage chemischer Eigenschaften vorgestellt und einige davon in innovativen Use Cases demonstriert.

Ziel dieses Workshops ist es das Potenzial von Methoden des Maschinellen Lernens im Materialdesign anhand von Quantitativen Struktur-Eigenschafts-Beziehungsmodellen (QSPR-Modelle) aufzuzeigen. QSPR-Modelle sind Regressions- oder Klassifizierungsmodelle, die in den chemischen und biologischen Wissenschaften sowie Ingenieurwissenschaften eingesetzt werden. Am Ende des Workshops sollen die Zuhörenden in der Lage sein das Potenzial von Struktur-Eigenschafts-Beziehungen zu erkennen und erste Ansätze für eigene Modelle zu entwickeln.