Theoretische Chemie · Maschinelles Lernen · Engineering-Leadership
Ich bin theoretischer Chemiker, Machine-Learning-Engineer und Führungskraft im Engineering. Meine Arbeit liegt dort, wo Quantenphysik, künstliche Intelligenz und echte Produkte zusammenkommen: Modelle, die das Verhalten von Molekülen und Materialien in einem Bruchteil der Zeit quantenchemischer Rechnungen vorhersagen, und generative KI, die aus einer einfachen Idee ein fertiges Design macht.
Ein Teil meiner Arbeit ist KI, die ein flaches Bild in bearbeitbare Ebenen zerlegt – Hintergrund, Objekte und Text –, sodass sich jedes Element einzeln ändern lässt. Fahren Sie mit der Maus über das Bild rechts, um es in seine Ebenen zu zerlegen.Tippen Sie auf das Bild unten, um es in seine Ebenen zu zerlegen.
Dr. Philipp Marquetand
Quantenchemie ist genau, aber langsam. Ich entwickle Machine-Learning-Modelle, die auf quantenmechanischen Daten trainiert sind und Eigenschaften von Molekülen und Materialien um Größenordnungen schneller vorhersagen – damit sich Wirkstoffkandidaten, Batteriematerialien und Solarzellen-Verbindungen in einem Umfang untersuchen lassen, der bisher unerreichbar war.
Große Sprachmodelle und Diffusionsmodelle können Layouts vorschlagen, Texte umformulieren, Bilder bearbeiten und aus einer kurzen Beschreibung neue Visuals erzeugen. Ich arbeite daran, diese Systeme schnell und verlässlich zu machen, damit jede und jeder in Sekunden von der Idee zum fertigen Design kommt.
Ein Modell zählt erst, wenn es zuverlässig für echte Nutzer läuft. Ich leite Engineering-Teams, die Forschung in Produkte verwandeln – von Datenpipelines und Training bis zu skalierbarer GPU-Inferenz, Monitoring und Betrieb.
Beispiel · Kristallstrukturvorhersage
Ob ein Wirkstoff als Tablette funktioniert, hängt nicht nur vom Molekül ab, sondern davon, wie sich seine Moleküle zu einem Kristall anordnen. Paracetamol, eines der meistverwendeten Schmerzmittel, kristallisiert in mehr als einer Form – und die Formen lassen sich unterschiedlich gut zu Tabletten pressen. Machine-Learning-Modelle, trainiert auf quantenchemischen Daten, bewerten solche Kristallpackungen in einem Bruchteil der Zeit herkömmlicher Rechnungen. Das ist eines der Probleme, an denen ich heute arbeite.
Ziehen, um den Kristall zu drehen.
Bevor ich in die Industrie gewechselt bin, habe ich viele Jahre in der akademischen Forschung untersucht, wie Moleküle auf Licht und ultrakurze Laserpulse reagieren, und maschinelles Lernen für die Moleküldynamik angeregter Zustände mitbegründet. Daraus sind rund 100 begutachtete Publikationen und Open-Source-Simulationssoftware entstanden.
Machine learning spectroscopy to advance computation and analysis
Chem. Sci., 16, 21660–21676 (2025).
Deep learning study of tyrosine reveals that roaming can lead to photodamage
Nat. Chem., 14, 914-919 (2022). arXiv:2108.04373 [physics.chem-ph]
Machine learning for electronically excited states of molecules
Chem. Rev., 121, 9873-9926 (2021). arXiv:2007.05320 [physics.chem-ph]
Machine Learning Molecular Dynamics for the Simulation of Infrared Spectra
Chem. Sci., 8, 6924-6935 (2017). Supporting information arXiv:1705.05907 [physics.chem-ph]
J. Chem. Theory Comput., 7, 1253 - 1258 (2011).
Für Kooperationen, Vorträge oder Fragen schreiben Sie mir an philipp@marquetand.net.