Im Kontext des „Labor 4.0“ sind performante, aber dennoch leicht zu implementierende Data Science Lösungen willkommener denn je. Der Einsatz von Wolfram Mathematica sowie des Wolfram System Modeler leistet in diesem Bereich wertvolle Unterstützung.
Es wird gezeigt, dass sich Wolfram Mathematica nicht nur als ganzheitliche Plattform für chemisches Rechnen eignet, sondern auch generische Methoden der Chemoinformatik bereitstellt.
An praktischen Beispielen wird vorgeführt, wie Mathematica dabei hilft, erhobene Daten über chemische Entitäten in ein maßgeschneidertes Datenmanagement zu integrieren, was komplexe Berechnungen gestattet. Darauf aufbauend ergeben sich Anwendungen unter Verwendung vom maschinellen Lernen für die Strukturaufklärung und genetische Algorithmen für das Design neuer Leitstrukturen.
Es werden Anwendungsfälle vorgeführt, wie Mustererkennung – als eine alternative Form der Suche – in Zeitreihen Aufschluss über mögliche Anomalien geben. Darüber hinaus ermöglicht Mathematica aus spektroskopischen Messungen mittels Machine Learning schnell und automatisiert stoffliche Beurteilungen vorzunehmen.
Ob automatische Strukturaufklärung oder Klassifikation von Daten: Ziel ist es, durch Data-driven Applications Chemikern und Labormitarbeitern Werkzeuge an die Hand zu geben, um Zeit zu sparen und ermüdende Tätigkeiten den Algorithmen zu überlassen.
