Im letzten halben Jahrhundert wurden erhebliche Fortschritte bei den molekularen Simulationstechniken erzielt, die ein umfassendes Verständnis der Struktur-Eigenschafts Beziehung weicher Materialien auf verschiedenen Zeit- und Längenskalen ermöglichen. Bislang ist jedoch das optimale Design von Kandidaten für die nächste Generation weicher Materialien aufgrund des enormen chemischen und konfigurativen Raums immer noch anspruchsvoll. Die Techniken des machine learning (ML), die eingesetzt werden, um verwertbare Erkenntnisse aus großen, durch Simulationen generierten Daten zu gewinnen, können die Engpässe bei der Optimierung weicher Materialien überwinden. Daher wurde in dieser Arbeit ein Framework entwickelt, der auf der Kommunikation zwischen wechselseitigen Multiskalensimulationen (atomistic und coarse-grained) und ML zur rationalen Untersuchung weicher Materialien basiert. Ein Ziel dieser Arbeit ist es, die detaillierten Struktur-Zusammensetzungs-Eigenschafts-Leistungs Beziehungen weicher Materialien auf Vorwärtsrichtung zu bewerten. Zunächst wird die Kompatibilitätsleistung von Blockcopolymeren (d.h. lineare und Pfropfcopolymere) an der Grenzfläche zwischen zwei inkompatiblen Polymerphasen mit Hilfe von dissipative-particle-dynamics (DPD) Simulationen untersucht. Es wird eine phänomenologische analytische Relation entwickelt, um die Abhängigkeit der Kompatibilisierungseffizienz von linearen Blockcopolymeren von der Polymerchemie, der molekularen Architektur und der Anzahl der Copolymermoleküle zu quantifizieren. Pfropfcopolymere weisen jedoch im Vergleich zu linearen Blockcopolymeren größere Unterschiede im Raum der Architekturparameter auf, was den traditionellen empirischen Anpassungsprozess einschränkt. Dementsprechend füttern wir DPD-Ergebnisse mit ML-Modellen und stellen fest, dass die Kombination von DPD und ML in der Lage ist, die Kompatibilisierungseffizienz von Pfropfcopolymeren auf molekularer Ebene genau vorherzusagen. Für ein gegebenes Pfropfcopolymer mit mehreren Deskriptoren (z. B. molekulare Architekturen und chemische Eigenschaften) kann die Kompatibilisierungseffizienz anhand der trainierten ML-Modelle gut vorhergesagt werden. Darüber hinaus bieten ML-Techniken ein Maß für die relative Bedeutung der Deskriptoren, um die Korrelation zwischen Deskriptoren und DPD-Vorhersagen aufzuzeigen. Wir stellen fest, dass die Anzahl der Seitenketten der Pfropfcopolymere allmählich ihre Kompatibilisierungseffizienz dominiert, während die Länge der Seitenketten unwichtig wird, wenn die Mischung stark inkompatibel wird. Diese Erkenntnis kann den Suchraum in weiteren Simulationen und Experimenten eingrenzen. Darüber hinaus versuchen wir, den Kompatibilisierungsmechanismus der linearen und Pfropfcopolymere zu verstehen, indem wir die Monomerverteilungen, die Anzahl der ungleichen Kontakte zwischen verschiedenen Spezies und die molekularen Konformationen charakterisieren. Insbesondere die Anisometrie der Copolymere, definiert als das Verhältnis ihrer Gyrationstensorelemente in den Richtungen senkrecht und parallel zur Oberfläche, ist sowohl für lineare als auch für Pfropfcopolymere stark mit ihrer Kompatibilisierungseffizienz korreliert. Wir untersuchen auch die alkoholinduzierten Veränderungen an Coronavirusmembranen unterschiedlicher Zusammensetzung mit DPD-Modellen, d.h. reines Dipalmitoylphosphatidylcholin, Dioleoylphosphatidylcholin und Dimyristoylphosphatidylcholin sowie deren binäre und ternäre Mischmembranen. Die wichtigste Erkenntnis dieser Studie ist, dass eine maximale Ethanolkonzentration von 32 mol % (55 Gew.%) in alkoholischen Desinfektionsmitteln ausreicht, um alle Coronavirus-Modellmembranen, die aus diesen drei Lipiden bestehen, zu zersetzen. Angesichts der großen Unterschiede in der Zusammensetzung und Struktur gemischter Membranen ist es jedoch schwierig, ihre Übergänge vom intakten zum geschädigten Zustand zu identifizieren. Wir stellen zum Beispiel fest, dass der Übergangspunkt nicht quantitativ auf der Grundlage physikalischer Deskriptoren wie der Fläche pro Lipidmolekül, der Membrandicke und der Orientierungsparameter vorhergesagt werden kann. Außerdem ist die visuelle Prüfung der Membranintegrität in Simulationen mühsam. Die Entwicklung eines einfachen und robusten Werkzeugs zur Charakterisierung der Stabilität von Membranen gegenüber ethanolischen Desinfektionsmitteln kann daher den Optimierungsprozess von Desinfektionsuntersuchungen beschleunigen. Dieses Ziel wird durch das in dieser Studie entwickelte DPD/deep-neural-network Framework erreicht, das die Integrität von Lipidmembranen anstelle von menschlicher Beobachter erfasst. Ein weiteres Ziel dieser Arbeit ist die Entwicklung von Materialien mit optimaler Leistung in Bezug auf die gewünschten Eigenschaften, Zusammensetzungen und Strukturen in umgekehrter Richtung, d. h. inverses Design (Leistung-Eigenschaft-Zusammensetzung-Struktur). Wir setzen einen hybriden Rahmen ein, indem wir einen genetischen Algorithmus und atomistische Molekulardynamiksimulation kombinieren, um Polyethylen-Polypropylen-Copolymere mit hoher Wärmeleitfähigkeit zu entwickeln. Wir stellen fest, dass Polyethylen-Polypropylen-Copolymere mit verschiedenen Sequenzen bei gleichem Monomerverhältnis sehr unterschiedliche Wärmeleitfähigkeiten aufweisen. Dies deutet darauf hin, dass die Monomersequenz einen entscheidenden Einfluss auf den Wärmetransport der Copolymere hat. Eine nicht-periodische und nicht-intuitive optimale Sequenz wird tatsächlich durch dieses Hybridmethode identifiziert. Es weist die höchste Wärmeleitfähigkeit im Vergleich zu Homopolymeren und allen regulären Blockcopolymeren, z. B. Diblock, Triblock und Hexablock, auf. Im Vergleich zur Stoffdichte, den Kettenkonformationen und der Dichte der Schwigungszustände hat die Monomersequenz den stärksten Einfluss auf die Geschwindigket des Wärmetransports gegenüber inter- und intramolekularen Wechselwirkungen. Der Erfolg der ML-Methode, die Vorhersagen über Eigenschaften von Materialien in großen Zusammensetzungs - und Konformationsräumen ermöglicht, hängt von der Verfügbarkeit von Trainingsdaten aus Simulationen ab. ML-Methoden wiederum ermöglichen eine robuste a-posteriori-Datenanalyse (z. B. Wichtigkeit einzelner Deskriptoren) zur Erforschung von Korrelationen zwischen Deskriptoren und Zieleigenschaften in Simulationen. Dadurch kann der Suchraum von Deskriptoren für weitere Untersuchungen eingegrenzt werden. Zusammenfassend lässt sich sagen, dass die Integration von Multiskalensimulationen mit ML-Algorithmen ein erhebliches Potenzial zur Beschleunigung des Designs weicher Materie bietet. Wir glauben, dass unsere Arbeit effiziente und praktische Ansätze für die Entwicklung eines Hybridrahmens für die Materialoptimierung bietet.