Wissenschaftlicher Berater, Vorlaufforschung und Entwicklung
Geschäftsfeld Multiphysics
Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI
Schloss Birlinghoven 1
53757 Sankt Augustin
Telefon: +49 2241 14-4066
Fax: +49 2241 14-1368
Vormalige Funktionen bei SCAI:
2008 - 2012 Gruppenleiter Computational Chemical Engineering
2007 - 2010 Sprecher der Projektmanagement Task Force
2006 - 2008 Senior Scientist
Wir berechnen physikalische und chemische Eigenschaften von Polymeren (gelöst oder in Schmelzen), Flüssigkeiten und Oberflächen, um mit Hilfe der mikroskopischen Detailkenntnisse das makromolekulare Verhalten dieser Stoffe besser zu verstehen. Wir wollen so einen wesentlichen Beitrag zur schnellen, effizienten Materialentwicklung leisten.
Hierzu bedienen wir uns verschiedener Techniken der Computersimulationen um alle erforderlichen Längen- und Zeitskalen abdecken zu können und arbeiten mit international renommierten Grundlagenforschungszentren zusammen, was State-of-the-Art-Methoden garantiert.
Wir verstehen uns als Dienstleister für Industrieunternehmen, welche an ebenso planbaren wie fundierten Problemlösungen in den Materialwissenschaften interessiert sind.
Sowohl für die Material- als auch für die Wirkstoffentwicklung ist ein tiefes Verständnis des mikroskopischen Verhaltens der untersuchten Systeme von erheblicher Bedeutung. Wesentliche Beiträge hierzu können Computersimulationen leisten. Wir bearbeiten Fragestellungen im Bereich des Designs und der Erforschung von Polymer- und Proteinsystemen und entwickeln dazu Software und Algorithmen.
V.A. Harmandaris, D. Reith, N.F.A. van der Vegt und K. Kremer. Comparison between coarse-graining models for polymer systems: Two mapping schemes for polystyrene. Macrom. Chem. and Phys. 208: 2109, 2007.
T. Köddermann, D. Paschek und R. Ludwig. Molecular dynamics simulations of ionic liquids: A reliable description of structure, thermodynamics and dynamics. Chem. Phys. Chem., 8: 2464-2470, 2007.
A. Maaß, E.D. Tekin, A. Schüller, A. N. Palazoglu, D. Reith, and R. Faller. „ Folding and unfolding characteristics of short beta strand peptides under different environmental conditions and starting configurations”, BBA – Proteins and Proteomics 1804: 2003–15, 2010.
D. Reith and K. N. Kirschner, “A modern workflow for force-field development – bridging quantum mechanics and atomistic computational models.,” Comp. Phys. Comm. 182: 2184, 2011.
T. Köddermann, K. N. Kirschner, J. Vrabec, M. Hülsmann, and D. Reith, “Liquid–liquid equilibria of dipropylene glycol dimethyl ether and water by molecular dynamics,” Fluid Phase Equilibria 310: 25, 2011.
Voraussetzung für verlässliche Molekulardynamik-Simulationen ist eine adäquate Modellierung der auftretenden Kraftfelder. Hierzu entwickelt SCAI neue Algorithmen und Programmpakete (Wolf2Pack und GROW), das semi-automatisch die zu bestimmenden Kraftfelderparameter optimal bestimmt.
Für Molekulardynamik-Simulationen ist es in der Regel erforderlich, verschiedene Atom- oder Molekülmodelle an gewünschte physikalische oder chemische Eigenschaften anzupassen. Wesentlich hierbei ist die geeignete Wahl von Kraftfeldern und dazugehörigen Parametern.
SCAI entwickelt hierzu Programmpakete, welche modular aufgebaut und einfach auf die auftretenden verschiedenen Optimierungsprobleme abzustimmen ist. Einmal gestartet, laufen die Programme weitgehend frei von Benutzereingaben, bis ein Kraftfeld erzeugt ist. So können Kraftfeldparameter für komplizierte atomistische und vergröberte Modelle beliebiger chemischer Substanzen bestimmt werden.
Im einzelnen handelt es sich um folgende Produkte:
Vor der Durchführung von molekulardynamischen Computersimulationen steht der Prozess der Modellbildung, der sich in zwei fundamentale Schritte gliedert: Zuerst wird ein allgemeines Modell für die auftretenden Kraftfelder entworfen, und dann werden dessen freie Parameter bestimmt. Innerhalb eines Modells werden unterschiedliche Substanzen allein durch ihre Parameter charakterisiert. Diese Parameter legen demnach die Gestalt des Kraftfeldes entscheidend fest. Ihre Wahl ist für die Qualität des gewählten Modells oft wichtiger als die analytische Form.
Es zeigt sich, dass die Optimierung eines Parametersatzes für konkrete Systeme sehr zeitaufwendig ist, bedeutet es doch eine empirische »trial-and-error« (Versuch-und-Irrtum) Suche, vergleichbar der nach einer Nadel im Heuhaufen. Denn kann eine Federkonstante noch aus Schwingungsspektren bestimmt werden, so fehlt anderen Modellparametern häufig eine physikalische Bedeutung. Oder es fehlen geeignete Experimente, um die Kraftkonstanten zu bestimmen. Genaue, quantenchemische ab initio Rechnungen, mit denen Kraftkonstanten bestimmt werden, sind für große Systeme nicht durchführbar. Bei Mischungen (z.B. »Polymerblends«) oder wässrigen Systemen (z.B. Biopolymere) bleibt es noch unmöglich, alle Einflüsse der Umgebung in einer ab initio Rechnung zu berücksichtigen. Hinzu kommt, dass Modellparameter in der Regel voneinander abhängen und mehrere Größen gleichzeitig bestimmt werden müssen. Deshalb wird gerne auf sogenannte Standardkraftfelder zurückgegriffen, die literaturbekannt oder in vorhandener Simulationssoftware (z.B. GROMOS, CHARM oder AMBER) enthalten sind. Diese sind jedoch oftmals nicht für einen konkret interessierenden Anwendungsfall geeignet. Denn entweder wurden sie gar nicht optimiert oder für bestimmte Substanzklassen (z.B. Proteine) unter bestimmten Bedingungen (z.B. wässrige Lösung) rein empirisch angepasst. Für Anwendungen mit anderen Bedingungen sind die Ergebnisse von Berechnungen, die auf diesen Kraftfeldern beruhen, dann jedoch nur sehr bedingt aussagefähig.
Zur Benutzung des Programms, das derzeit von SCAI entwickelt wird, legt der Benutzer, dem jeweiligen System entsprechend, ein angemessenes, generisches Modell fest. Die dort enthaltenen freien Parameter werden unter Berücksichtigung des Vorwissens mit Grundeingaben versehen. So generiert man ein erstes Kraftfeld. Dann folgt die Simulation und deren Auswertung. Hier werden für den Parametersatz sensible Kenngrößen (die Zielfunktion) mit den oben erwähnten Referenzwerten verglichen. So erhält man einen Eindruck über die Güte des momentanen Kraftfeldes und kann damit einen Parametersatz mit physikalischen Größen verbinden. Der Algorithmus verändert nun automatisch die aktuellen Parameter und optimiert durch iterative Simulationsläufe und deren Auswertung das initiale Kraftfeld.
Die bisherigen Erfahrungen haben gezeigt, dass sich die automatische Optimierung von Modellparametern zu einem unverzichtbaren Werkzeug unserer Forschung entwickelt. Im atomistischen Bereich erlaubt sie die schnelle Anpassung von Kraftfeldern, die für das beschriebene System, seine Umgebungsbedingungen und für die untersuchte Fragestellung maßgeschneidert sind. Der Rückgriff auf zu allgemeine »Standardkraftfelder« kann so vermieden werden. Im Bereich vergröberter Polymermodelle wird die Modellentwicklung wesentlich vereinfacht. Wir können uns so stärker auf die allgemeine Modellbildung konzentrieren und die Optimierung eines jeden Modells dem Computer überlassen. Die Frage, welche Potentialform für vergröberte Modelle die geeignetste ist, ließ sich nur dadurch beantworten, dass jede Form zu ihrem Optimum (Abweichung kleiner 1%) auskonvergiert wurde. So lassen sich z.B. im Bereich der Polymerforschung neue Werkstoffe schneller entwickeln.
D. Reith, H. Meyer, and F. Müller-Plathe: ``Mapping Atomistic to Coarse-grained Polymer Models'', Macromolecules 34, 2335-45 (2001).
D. Reith, M. Pütz, and F. Müller-Plathe: ``Deriving effective mesoscale potentials from atomistic simulations'', J. Comp. Chem. 24, 1624-36 (2003).
V.A. Harmandaris, D. Reith, N.F.A. van der Vegt, and K. Kremer: “Comparison Between Coarse-Graining Models for Polymer Systems: Two Mapping Schemes for Polystyrene”, Macromol. Chem. Phys. 208, 2109 (2007).
M. Hülsmann, T. Köddermann, J. Vrabec, and D. Reith: “GROW: A Gradient-based optimisation workflow for the automated development of molecular models”, Computer Physics Communications 181, 499–513 (2010).
D. Reith and K. N. Kirschner, “A modern workflow for force-field development – bridging quantum mechanics and atomistic computational models.,” Comp. Phys. Comm. 182, 2184 (2011).
Bei der Computersimulation von chemischen Systemen hat man es grundsätzlich mit einem Skalenproblem zu tun, d.h., dass die interessanten Größen in der Regel einen sehr unterschiedlichen Detaillierungsgrad des Problems erfordern, angefangen von der Ebene der einzelnen Atome bis hin zum Gesamtverhalten einer Polymerkette oder gar eines ganzen Polymernetzwerks hin. So können die beteiligten Längen- und Zeitskalen mehrere Zehnerpotenzen umfassen. Sollen komplexe Systeme und Effekte (z.B. Adsorption an Oberflächen, Membrane oder Gemische) untersucht werden, kommt man außerdem nicht umhin, eine große Zahl von Teilchen zu simulieren, wodurch man bei atomistischen Simulationen schnell an die Grenze des technisch Machbaren stößt. Hier eröffnet die Technik des Mesoscale Coarse Graining neue Perspektiven. Ein von uns mitentwickeltes Software-Paket, das diese Methode für effiziente Simulationen verfügbar macht, ist ESPResSo++.
Die Methode des Mesoscale Coarse Graining ermöglicht es, in Computersimulationen die simulierte Zeit und die Größe chemischer System wesentlich zu erhöhen. Dadurch lassen sich verlässlichere Aussagen zu Größen treffen, die für die Materialentwicklung unerlässlich sind, jedoch bisher nicht im Bereich des Machbaren lagen.
Dazu wird das atomistische, voll detaillierte System auf ein vergröbertes, "mesoskopisches" Niveau abgebildet. Hierbei ist darauf zu achten, die weggelassenen Freiheitsgrade gemittelt in das vergröberte System einfließen zu lassen, so dass die chemische Identität der Substanz erhalten bleibt. Dies wird dadurch sichergestellt, dass Schlüssel-Eigenschaften des atomistischen Systems reproduziert werden.
Viele makroskopischen Polymereigenschaften können erst nach eingehendem Studium der mikroskopischen Details verstanden werden. Computersimulationen sind grundsätzlich ein geeignetes Hilfsmittel, um mikroskopisches Basiswissen in makroskopische Informationen umzuwandeln. Dazu nimmt man beispielsweise quantenchemische Berechnungen oder experimentelle Daten zur Hand und konstruiert daraus ein Modell, welches alle beteiligten Atome explizit berücksichtigt.
Leider entstehen in daraus resultierenden Simulationen mitunter Probleme durch die detaillierte Behandlung der schnellen Freiheitsgrade (z.B. Bindungsvibrationen). Denn diese führt dazu, dass die Zeitpropagation des Systems nur in winzig kleinen Schritten erfolgen kann. Die insgesamt simulierte Zeit wird dementsprechend auch sehr kurz (typischerweise in der Größenordnung von einigen Nanosekunden) - selbst bei wochenlangem Einsatz modernster Hochleistungscomputer. Dies kann soweit gehen, dass die langsamen Freiheitsgrade (z.B. der Gyrationsradius) gar nicht erst den Gleichgewichtszustand erreichen und manche Eigenschaften somit unvorhersagbar bleiben müssen.
Auch große atomistische System können aus Rechenzeitgründen nicht direkt simuliert werden. Vergröberte Ansätze ("coarse graining") bieten einen Ausweg aus diesem Dilemma: diese Methode erlaubt es, die schnellen Freiheitsgrade aus dem System zu eliminieren, daher mit größeren Zeitschritten rechnen und so die langsamen Freiheitsgrade relaxieren zu können. Größere Zeit- und Längenskalen werden erreicht und dadurch ein Weg geebnet, neue Informationen über ein System zu sammeln, mit deren Hilfe sich schließlich makroskopische, physikalische Effekte erklären lassen. Dies stellt einen entscheidenden Fortschritt für die Herstellung neuer Werkstoffe dar.
Im Falle der Polyacrylsäure (PAS) in Lösung lagen für ein Oligomer Daten von atomistischen Simulationen vor. Dieses System wurde wie folgt vergröbert: eine volle Baugruppe, d.h.-CH2-CH1(-COOH)-ä wurde ersetzt durch eine einzige Kugel um den Schwerpunkt dieser Baugruppe herum. Dies wird in Abbildung 1 illustriert (H-Atome weggelassen). Führt man dies für alle Baugruppen durch, erhält man eine neue, vergröberte Kette (Abbildung 2). Ist es nun möglich, das Verhalten der atomistischen Kette exakt nachzustellen, kann dieses Modell dazu verwendet werden, längere PAS Ketten zu simulieren.
Auf vergröbertem Niveau können dann statische Effekte wie z.B. Adsorption an organischen Oberflächen wesentlich besser untersucht werden, da die freie Energie signifikant durch entropische Beiträge beeinflusst wird. Ferner besteht immer die Möglichkeit, die atomistischen Details wieder einzuführen und nachträglich die schnellen Freiheitsgrade des Systems zu relaxieren, falls dies zur Erklärung von Effekten beiträgt.
Ein modernes Softwarepaket, das die Möglichkeiten des Mesoscale Coarse Graining verfügbar macht, ist ESPResSo++.
D. Reith, H. Meyer, and F. Müller-Plathe: ``Mapping Atomistic to Coarse-grained Polymer Models'', Macromolecules 34, 2335-45 (2001).
D. Reith, B. Müller, F. Müller-Plathe, and S. Wiegand: ``How does the chain extension of poly (acrylic acid) scale in aqueous solution? A combined study with light scattering and computer simulation'', J. Chem. Phys. 116, 9100-6 (2002).
R. Faller and D. Reith: ``Properties of Poly (isoprene) - Model Building in the melt and in solution'', Macromolecules 36, 5406-5414 (2003).
V.A. Harmandaris, D. Reith, N.F.A. van der Vegt, and K. Kremer: “Comparison Between Coarse-Graining Models for Polymer Systems: Two Mapping Schemes for Polystyrene”, Macromol. Chem. Phys. 208, 2109 (2007).
Strategische Planung, die auf zuverlässigen Prognosen basiert, ist ein wesentlicher Schlüsselfaktor für die erfolgreiche Führung eines marktorientierten Unternehmens. Dies gilt insbesondere für die Automobilindustrie, die in vielen Ländern eine der wichtigsten Branchen darstellt. Zuverlässige Prognosen können aber nicht nur auf intuitiven Schätzungen der Marktentwicklung beruhen. Für die Genauigkeit der Vorhersagen sowie die Effizienz der Berechnungen sind mathematische Modelle unerlässlich.
So sind Methoden der Zeitreihenanalyse und der Statistischen Lerntheorie wichtige Hilfsmittel, um die Zusammenhänge der enormen empirischen Datenbestände zu erfassen. Daher können diese Methoden zuverlässige und höchst genaue Prognosen stellen. In den letzten Jahrzehnten sind Data- Mining-Algorithmen immer komplexer geworden. Allerdings sind die Genauigkeit einer Prognose und die Erklärbarkeit des Modells im selben Maße wichtig.
Um ein möglichst realitätsnahes Modell zu erstellen, sind geeignete Eingabeparameter notwendig. Diese setzen sich zusammen aus Neuzulassungen von Fahrzeugen sowie ökonomischen exogenen Parametern, die jährlich, quartalsweise oder monatlich betrachtet werden. Dazu zählen das Bruttoinlandsprodukt, der Verbraucherpreisindex, die Arbeitslosenrate, die Zinsrate und Ausrüstungsinvestitionen.
Die Methodik besteht aus einer Kombination zwischen Methoden der Zeitreihenanalyse und verschiedenen Data-Mining-Techniken. Dabei werden Neuzulassungen als Zeitreihen betrachtet, die sich aus unabhängigen Trend-, Saison- und Kalenderkomponenten zusammensetzen. Während die Saison- und Kalenderkomponenten mit Standardmethoden der Zeitreihenanalyse bestimmt werden, ist die Trendkomponente multivariat und von ökonomischen exogenen Paramatern abhängig. Daher wird diese mithilfe von Data Mining Techniken wie Support Vector Machines, Decision Trees, K-Nearest-Neighbor oder Random Forests ermittelt. In einer Validierungsmenge liefert die Prognosenmethodik sehr geringe Fehlerraten (4-6% für Quartalsdaten). Dennoch sollten zuverlässige Schätzungen für die exogenen Parameter von Marktexperten beschafft werden, um exakte Prognosen für die Zukunft zu erhalten.
Das für die aktuelle Aufgabe entwickelte Software-Tool wurde in S geschrieben. Dabei handelt es sich um eine Skriptsprache, die zum Open Source R Projekt für Statistical Computing gehört. Indessen ist die Genauigkeit der Vorhersagen begrenzt, da für Sondereffekte wie die Finanzkrise oder Abwrackprämie zuverlässige Schätzungen fehlen.
B. Brühl, M. Hülsmann, D. Borscheid, C.M. Friedrich, and D. Reith: “A Sales Forecast Model for the German Automobile Market Based on Time Series Analysis and Data Mining Methods.” In: Perner, Petra (Hrsg.): Advances in data mining : applications and theoretical aspects. pp. 146-160, Springer (2009).
M. Hülsmann, C.M. Friedrich, D. Borscheid, and D. Reith: “A Sales Forecast Model for Automobile Markets Based on Time Series Analysis and Data Mining Methods,” Advances in data mining: applications and theoretical aspects. (P. Perner, ed.), pp. 255-269, Springer (2011).
M. Hülsmann, D. Borscheid, C. M. Friedrich, and D. Reith, “General sales forecast models for automobile markets and their analysis,” International Journal Transaction on Machine Learning and Data Mining 5, 65-86 (2012).
1. F. Müller-Plathe and D. Reith: ``Cause and effect in reversed in non-equilibrium molecular dynamics: An easy route to transport coefficients'', Comput. Theor. Polym. Sci. 9, 203-209 (1999).
2. D. Reith and F. Müller-Plathe: ``On the Nature of Thermal Diffusion in Binary Lennard-Jones Liquids'', J. Chem. Phys. 112, 2436-43 (2000).
3. H. Meyer, O. Biermann, R. Faller, D. Reith, and F. Müller-Plathe: ``Coarse Graining of Nonbonded Interparticle Potentials Using Automatic Simplex Optimization to Fit Structural Properties'', J. Chem. Phys. 113, 6265-75 (2000).
4. D. Reith, H. Meyer, and F. Müller-Plathe: ``Mapping Atomistic to Coarse-grained Polymer Models'', Macromolecules 34, 2335-45 (2001). DOI: 10.1021/ma001499k
5. D. Reith, T.Huber, F. Müller-Plathe, and A. Torda: ``Free Energy Approximations in Simple Lattice Proteins'', J. Chem. Phys. 114, 4998-5005 (2001).
6. P. Bordat, D. Reith, and F. Müller-Plathe: ``The influence of interaction details on the thermal diffusion in binary Lennard-Jones liquids'', J. Chem. Phys. 115, 8978-8982 (2001).
7. D. Reith, B. Müller, F. Müller-Plathe, and S. Wiegand: ``How does the chain extension of poly (acrylic acid) scale in aqueous solution? A combined study with light scattering and computer simulation'', J. Chem. Phys. 116, 9100-6 (2002). DOI: 10.1063/1.1471901
8. B. Dünweg, D. Reith, M. Steinhauser, and K. Kremer: ``Corrections to Scaling in the Hydrodynamic Properties of Dilute Polymer Solutions'', J. Chem. Phys. 117, 914-24 (2002). DOI: 10.1063/1.1483296
9. D. Reith, H. Meyer, and F. Müller-Plathe: ``CG-OPT: A Software Package for Automatic Force Field Design'', Comput. Phys. Commun. 148, 299-313 (2002).
10. P. Bordat, J. Sacristan, D. Reith, S. Girard, A. Glättli, and F. Müller-Plathe: ``An Improved Dimethyl Sulfoxide Force Field for Molecular Dynamics Simulations'', Chem. Phys. Lett. 374, 201-5 (2003). DOI: 10.1016/S0009-2614(03)00550-5
11. R. Faller and D. Reith: ``Properties of Poly (isoprene) - Model Building in the melt and in solution'', Macromolecules 36, 5406-5414 (2003). DOI: 10.1021/ma025877s
12. D. Reith, M. Pütz, and F. Müller-Plathe: ``Deriving effective mesoscale potentials from atomistic simulations'', J. Comp. Chem. 24, 1624-36 (2003). DOI: 10.1002/jcc.10307
13. V.A. Harmandaris, D. Reith, N.F.A. van der Vegt, and K. Kremer: “Comparison Between Coarse-Graining Models for Polymer Systems: Two Mapping Schemes for Polystyrene”, Macromol. Chem. Phys. 208, 2109 (2007). DOI: 10.1002/macp.200700245
14. T. Müller, S. Roy, W. Zhao, A. Maaß, and D. Reith: ”Economic simplex optimization for broad range property prediction: Strengths and weaknesses of an automated approach for tailoring of parameters”, Fluid Phase Equilibria 274, 27-35 (2008). DOI: 10.1016/j.fluid.2008.06.009
15. B. Brühl, M. Hülsmann, D. Borscheid, C.M. Friedrich, and D. Reith: “A Sales Forecast Model for the German Automobile Market Based on Time Series Analysis and Data Mining Methods.” In: Perner, Petra (Hrsg.): Advances in data mining : applications and theoretical aspects. Berlin: Springer, 2009, pp. 146-160. DOI: 10.1007/978-3-642-03067-3%5F13
16. M. Hülsmann, T. Köddermann, J. Vrabec, and D. Reith: “GROW: A Gradient-based optimisation workflow for the automated development of molecular models”, Computer Physics Communications 181, 499–513 (2010). DOI:10.1016/j.cpc.2009.10.024
17. M. Hülsmann, J. Vrabec, A. Maaß, and D. Reith: “Assessment of Numerical Optimization Algorithms for the Development of New Molecular Models.” Computer Physics Communications 18, 887–905 (2010). DOI:10.1016/j.cpc.2010.01.001
18. A. Maaß, L. Nikitina, T. Clees, K.N. Kirschner, and D. Reith: “Multi-objective force field optimization on basis of random models for ethylene oxide” Molecular Simulation 36, 1208-18 (2010). DOI: 10.1080/08927020903483312
19. K.N. Kirschner, K. Heikamp, and D. Reith: “Atomistic Simulations of Isotactic Poly(Methyl Methacrylate) Melts: Exploring the Backbone Conformation.” Molecular Simulatios 36, 1253-64 (2010). DOI: 10.1080/08927020903536374
20. M. Hülsmann, T. J. Müller, T. Köddermann, and D. Reith: „Automated Force Field Optimisation of Small Molecules using a Gradient–Based Workflow Package.” Molecular Simulation 36, 1182-96 (2010). DOI: 10.1080/08927022.2010.513974
21. A. Maaß, E.D. Tekin, A. Schüller, A. N. Palazoglu, D. Reith, and R. Faller. „ Folding and unfolding characteristics of short beta strand peptides under different environmental conditions and starting configurations”, BBA – Proteins and Proteomics 1804, 2003–15 (2010). DOI:10.1016/j.bbapap.2010.06.019
22. D. Reith and K. N. Kirschner, “A modern workflow for force-field development – bridging quantum mechanics and atomistic computational models.,” Comp. Phys. Comm. 182, 2184 (2011). DOI:10.1016/j.cpc.2011.05.018
23. T. Köddermann, K. N. Kirschner, J. Vrabec, M. Hülsmann, and D. Reith, “Liquid–liquid equilibria of dipropylene glycol dimethyl ether and water by molecular dynamics,” Fluid Phase Equilibria 310, 25 (2011). DOI: 10.1016/j.fluid.2011.07.015
24. M. Hülsmann, C.M. Friedrich, D. Borscheid, and D. Reith: “A Sales Forecast Model for Automobile Markets Based on Time Series Analysis and Data Mining Methods,” Advances in data mining: applications and theoretical aspects. (P. Perner, ed.), pp. 255-269, Springer (2011).
25. M. Hülsmann, D. Borscheid, C. M. Friedrich, and D. Reith, “General sales forecast models for automobile markets and their analysis,” International Journal Transaction on Machine Learning and Data Mining 5, 65-86 (2012). ISBN: 978-3-942952-12-5
26. A. Wolf, D. Reith, and K. N. Kirschner, "Thiopeptide antibiotics and the ribosomal 23s-l11 subunit - a challenging use case for semi-automatic force-fi eld development," in Proceedings for the Computational Biophysics to Systems Biology 2011 Workshop in Jülich (P. C. et al., ed.), vol. 8, pp. 65-69, IAS Series, Forschungzentrum Jülich GmbH, 2012
27. T. Brandes, A. Arnold, T. Soddemann, and D. Reith, “CPU vs. GPU - Performance comparison for the Gram-Schmidt method," Eur. Phys. J. ST 210, 73-88 (2012). DOI: 10.1140/epjst/e2012-01638-7
28. J. Halverson, T. Brandes, O. Lenz, A. Arnold, S. Bevc, K. Kremer, T. Stühn, and D. Reith, "ESPResSo++: A modern multiscale simulation package for soft matter systems," Comp. Phys. Comm. 184, 1129–1149 (2013). DOI: 10.1016/j.cpc.2012.12.004
29. M. Hülsmann, S. Kopp, M. Huber, and D. Reith, "Efficient gradient and hessian computations for numerical optimization algorithms applied to force fi eld developments with molecular simulations." J. Phys.: Conf. Ser. 410, 012007 (2013). DOI:10.1088/1742-6596/410/1/012007
30. M. Hülsmann, S. Kopp, M. Huber, and D. Reith, "Utilization of efficient gradient and hessian computations in the force field optimization process of molecular simulations." Comput. Sci. Disc. 6, 015005 (2013). DOI:10.1088/1749-4699/6/1/015005
31. O. Krämer-Fuhrmann, J. Neisius, N. Gehlen, D. Reith, and K. Kirschner, "Wolf2pack - Portal based atomistic force-fi eld development," J. Chem. Inf. Mod. 53, 802–808 (2013). DOI: 10.1021/ci300290g
32. T. Köddermann, D. Reith, and R. Ludwig, "Force Field comparison on various model approaches – how to design the best model for the ionic liquid family [CnMIM][NTf2]," Chem. Phys. Chem. 14, 3368-3374 (2013). DOI: 10.1002/cphc.201300486
33. T. Köddermann, D. Reith, and A. Arnold, "Calculating concentration-dependent Log Pow values from Atomistic Computer Simulations," J. Chem. Phys. B ,117, 10711-10718 (2013). DOI: 10.1021/jp405383f
34. M. Hülsmann and D. Reith, "SpaGrOW – A derivative-free optimization scheme for intermolecular force field parameters based on sparse grids methods," Entropy 15, 3640-3687 (2013). DOI: 10.3390/e15093640
35. A.A. Tietze, F. Bordusa, R. Giernoth, D. Imhof, T. Lenzer, A. Maaß, C. Mrestani-Klaus, I. Neundorf, K. Oum, D. Reith, A. Stark, "On the nature of interactions between ionic liquids and small amino acid-based biomolecules", Chem.Phys.Chem. (2013), im Druck.
B. Other Science-related Publications
1. D.Reith: "The Uppsala ESI TOF mass spectrometer", ISSN 0284 -2769, TSL/ISV-96-0159, Uppsala University Press (1996).
2. D.Reith: "Thermal Diffusion in binary Lennard-Jones liquids" , Diploma thesis, University of Mainz (1998).
3. D. Reith: "Die Seele des Kunststoffs erforschen", Invited Contribution in „Mainzer Allgemeine Zeitung“, Saturday, Feb 19 2000.
4. O. Biermann, R. Faller, H. Meyer, F. Müller-Plathe, D. Reith, and H. Schmitz: ``Automatisiertes Erstellen von Simulationsmodellen für Flüssigkeiten und Polymersysteme'', , in: ``Forschung und wissenschaftliches Rechnen -- Beiträge zum Heinz-Billing-Preis'', Th. Plesser and H. Hayd (eds.), GWDG, Göttingen, Bericht Nr.56, 49-63, ISSN 0176-2516 (2001).
5. D.Reith: "Neue Methoden zur Computersimulation von Polymersystemen auf verschiedenen Längenskalen und ihre Anwendungen" , PhD thesis, University of Mainz (2001).
6. D. Reith: "Von der Fastnacht über Lachs zum Stern - Beispiel eines naturwissenschaftlichen Studiums ", Invited Contribution, Cronicles of Bischöfliches Cusanus-Gymnasium Koblenz, Academic Year 2001/02.
7. M. Hülsmann, C.M. Friedrich, D. Reith: „A New Approach to Explicable Sales Forecast Models for the German Automobile Market.” ERCIM News, 78: 30-31 (2009).
8. M. Hülsmann, T. Köddermann, D. Reith: „Engineering chemical substances via molecular simulations utilizing efficient gradient-based optimization algorithms.“, ERCIM News, 81: 25-26 (2010).
9. D. Reith and K. N. Kirschner: "Mathematics meets Chemistry - Workflow-guided evolving software for Molecular Modelling.", ERCIM News, 88: 47-48 (2012).
Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI