Gezielt synthetisierte molekulare Erkennungsstrukturen gewinnen in der chemischen Analytik zunehmend an Bedeutung. Hier sind neue stationäre Interphasen für die Chromatographie unter Berücksichtigung wichtiger Parameter wie Selektivität, Stabilität und Sensitivität entwickelt und optimiert worden.
In einer DFG-Forschergruppe wurde die Anwendung von Selbstorganisationsprinzipien in der Datenreduktion und Klassifikation untersucht. Anhand der Erfordernisse der durch die Kooperationspartner zur Verfügung gestellten Datensätzen wurden zuerst bekannte neuronale Netze getestet, die auf überwachten und unüberwachten Prinzipien basieren. Die Erkenntnisse aus der genauen Analyse der verschiedenen Methoden hat den Grundstein für die weitere wissenschaftliche Arbeit gelegt. Erste Ergebnisse liefern eine Vorhersagegenauigkeit von über 90% für die Datensätze der gaschromatographischen Enantiomerentrennung, was als hervorragend einzustufen ist.
Durch neue Methoden für die Interpretation des neuronalen Modells kann dieses in Fuzzy-Regeln (,,If Bedingung Then Aussage``) umgewandelt werden. Der Fachmann kann so leicht das Netz interpretieren, mit existierenden Modellen und Kenntnissen aus der Chemie vergleichen und mathematische Zusammenhänge zwischen der molekularen Struktur und den thermodynamischen Kennwerten erarbeiten.