Die Energiewende und die Transformation der chemischen Industrie sind zentrale Maßnahmen, um den Herausforderungen von Umweltzerstörung und Klimawandel entgegenzutreten. Beide erfordern jedoch die Entwicklung neuer und optimierter katalytischer Reaktoren. Deren Auslegung verlangt wiederum ein weitreichendes Verständnis der zugrunde liegenden chemischen Kinetik. Da die Entwicklung kinetischer Modelle nicht mit der zunehmenden Verfügbarkeit kinetischer Daten Schritt halten kann, steigt nun der Bedarf an automatisierten Methoden zur Bestimmung chemischer Reaktionsmechanismen. Doch selbst wenn detaillierte kinetische Modelle verfügbar sind, verhindert deren hoher Rechenbedarf ihre Nutzung zum rationalen Design katalytischer Reaktoren. Ziel der vorliegenden Arbeit ist es, physikalisch plausible Maschinenlernverfahren zu entwickeln, die die Entdeckung chemischer Reaktionsmechanismen erleichtern und deren effiziente Implementierung in Simulationen chemischer Reaktoren ermöglichen. Der Rechenbedarf solcher Simulationen wird häufig dadurch reduziert, dass die physikalischen Modelle zur Bestimmung von Reaktionsraten durch numerisch weniger anspruchsvolle, sogenannte Ersatzmodelle ausgetauscht werden. Im Fall heterogen katalysierter Reaktionen gilt es, die Modelle der Oberflächenreaktionen zu ersetzen. Das gelingt bisher allerdings nur in einfachen Fällen, da die nötigen Ersatzmodelle ausschließlich in Verbindung mit einer logarithmische Datennormalisierung funktionieren. Der Logarithmus ist jedoch nur für positive Werte definiert. Somit können Spezies mit Quelltermen wechselnden Vorzeichens nicht modelliert werden. Das betrifft insbesondere Systeme, in denen Zwischenprodukte eine Rolle spielen und solche, die in der Nähe des chemischen Gleichgewichts betrieben werden. Die vorliegende Arbeit bietet zwei Methoden, um Ersatzmodelle dennoch auf Oberflächenreaktionen anzuwenden. 1. Werden die Raten des geschwindigkeitsbestimmenden Schritts anstelle der Nettobildungsraten modelliert, lässt sich die logarithmische Normierung wie gewohnt anwenden, da Elementarraten stets positive Werte annehmen. 2. Alternativ kann der Logarithmus durch spezielle, nah verwandte Funktionen ersetzt werden, deren Definitionsbereich alle reellen Zahlen umfasst und daher auch negative Quellterme zulässt. Des Weiteren werden in dieser Arbeit erstmals künstliche neuronale Netze zur Modellierung von Oberflächenraten eingesetzt. Diese sind dem bisherigen Stand der Forschung, den sogenannten Splines, in Bezug auf Genauigkeit und Geschwindigkeit von Vorhersagen sowie Speicherbedarf weit überlegen. Die vorgestellte Methode der latenten Datentransformation nutzt die Flexibilität künstlicher neuronaler Netze, um die physikalischen Prinzipien von Massenerhaltung, Arrheniusgesetz und Massenwirkungsgesetz direkt in der Modellstruktur zu codieren. Die resultierenden Ersatzmodelle geben präzise Schätzungen der Reaktionsraten von industriell relevanten Systemen. Exemplarisch wird das anhand der bevorzugten Oxidation von CO in wasserstoffhaltigen Gasen demonstriert. Dieser Prozess findet Anwendung, um Wasserstoff aus der Dampfreformierung für die Nutzung in Brennstoffzellen aufzubereiten. Als weiteres Beispiel wird die Ammoniakoxidation im Ostwaldverfahren unter industriell relevanten Bedingungen herangezogen. Reaktorsimulationen beider Systeme werden um vier bis fünf Größenordnungen beschleunigt. In der chemischen Verfahrenstechnik ist ein Trend hin zu immer detaillierteren Kinetiken zu beobachten. Mittlerweile haben sich dort kinetische Monte-Carlo Simulationen als Goldstandard zur Beschreibung heterogen katalysierter Systeme etabliert. Diese sind jedoch so rechenintensiv, dass oft nicht ausreichend viele Daten zum Training von Ersatzmodellen angesammelt werden können. In der vorliegenden Arbeit wird ein Ansatz zum rasterfreien Trainingsset-Design entwickelt. Nach diesem werden Trainingsdaten nur dann ermittelt, wenn sie signifikant zur Genauigkeit des Ersatzmodells beitragen. Das geschieht mithilfe zweischichtiger Kernmodelle, die es erlauben, die Modellgenauigkeit zu schätzen. Infolgedessen werden die Menge benötigter Trainingsdaten und der damit verbundene Rechenaufwand für die präferentielle Oxidation von CO um Faktor 14 reduziert. Zudem erlaubt das, Ersatzmodelle noch während Reaktorsimulationen ständig zu verbessern, sodass sie bei Bedarf auch außerhalb des ursprünglichen Trainingsbereichs verlässliche Ergebnisse liefern. Das kürzlich entwickelte Chemical Reaction Neural Network ist ein digitaler Zwilling des klassischen mikrokinetischen Mechanismus und hat bereits in vielen Bereichen Anwendung gefunden. Obwohl es einige grundlegende physikalische Gesetze codiert, wird die Atombilanz noch immer verletzt. Die vorliegende Arbeit sichert den Atomerhalt durch Hinzufügen einer eigens dafür ausgelegten Schicht im künstlichen neuronalen Netz, welche das Modell auf physikalisch realisierbare Kombinationen stöchiometrischer Koeffizienten beschränkt. Da die resultierenden Modelle physikalisch konsistent sind, sind sie robuster gegenüber begrenzter Datenverfügbarkeit, Messabweichungen und systematischen Messfehlern. Insgesamt verbessert die vorliegende Arbeit die physikalische Plausibilität sowie die Verlässlichkeit von Maschinenlernverfahren im Bereich der chemischen Kinetik. Insbesondere werden künstliche neuronale Netze strukturell so angepasst, dass sie grundlegende physikalische Gesetze wie Atomerhaltung und Thermodynamik beachten. In Verbindung mit akkuraten Fehlerschätzern lässt sich chemische Kinetik somit zuverlässig und numerisch effizient in Reaktorsimulationen implementieren. Das erlaubt schlussendlich ein rationales Design katalytischer Reaktoren in vertretbarer Zeit. Außerdem automatisierte solche Modelle die Entdeckung chemischer Reaktionsmechanismen und tragen damit zum Verständnis bisher unbekannter Reaktionspfade bei.