Der reale Ablauf chemischer Reaktionen hängt von einer Vielzahl von Parametern ab. Dabei ist es nicht immer leicht, das Ergebnis vollständig vorherzusehen. Um die Qualität der Vorhersage allerdings zu erhöhen, kann maschinelles Lernen angewendet werden. Beim maschinellen Lernen wird das System der Anlage nicht rein mit theoretischen Reaktionsgleichungen versorgt. Vielmehr werden reale Daten wie Stoffstrommengen, Temperatur, Feuchte, Drücke etc. genutzt. Darüber hinaus werden Fingerabdrücke der eingesetzten und entstehenden Moleküle erzeugt, indem die Strukturen bzw. Graphen, die das Molekül repräsentieren, abgefragt werden. Diese Molekül-Fingerabdrücke ermöglichen eine Charakterisierung der an der Reaktion beteiligten Moleküle. Hierdurch lässt sich zuverlässig vorhersagen, welche Ausbeute und Stereoselektivität erreicht werden.

In der Praxis kann die Software genutzt werden, um die bestehenden Reaktionsgleichungen durch Einflussparameter zu erweitern. Dadurch wird die Berechnungsgrundlage reaktionsspezifischer Parameter realistischer und ermöglicht eine genauere Reaktionsvorhersage. Dies erlaubt eine Verbesserung der Anlageneinstellungen, die zu einer Reduktion an Material- und Energiemenge führen können.

Der Lernprozess des Systems ist dabei iterativ. Mit jedem neuen Produktionsdurchlauf erhöht sich die Datengrundlage. Hierdurch nähern sich die im System durch den Algorithmus angepassten Gleichungen der Realität an. Durch das maschinelle Lernen kann so auch das Erfahrungswis-sen gezielter auf andere gleichartige Anlagen übertragen werden, wodurch die Inbetriebnahmephase neuer Anlagen verkürzt und die Auslastung früher als üblich hochgefahren werden kann.