Het berekenen van nauwkeurige reactiesnelheden in complexe omgevingen is uitdagend omdat de kinetische constanten exponentieel afhankelijk zijn van de activeringsenthalpie en de rol van entropie. Voor chemisch accurate enthalpieën zijn geavanceerde elektronische structuurmethoden nodig, terwijl dynamische methoden zoals ‘transition interface sampling’ (TIS) nodig zijn voor entropieën. Het combineren van beide was tot nog toe onmogelijk vanwege de hoge computationele kost. Dit project benut grensverleggende machine learning potentialen (MLPs) om geactiveerde gebeurtenissen chemisch nauwkeurig te modelleren. We focussen op zeolietkatalyse, maar de ontwikkelde methoden zullen algemeen toepasbaar zijn voor reacties in complexe moleculaire omgevingen. MLPs laten toe om geavanceerde bemonsteringsmethoden, zoals TIS en groot kanonische Monte Carlo simulaties te combineren om chemisch accurate reactiekinetiek te bekomen in eerste instantie voor eenvoudige moleculaire systemen en nadien in complexe zeolietomgevingen. Finaal beogen we de behandeling van de industrieel relevante zeoliet-gekatalyseerde directe alcoholaminering, in aanwezigheid van complexe beladingen. Het project zal in synergie worden uitgevoerd met prominente theoretische en experimentele partners ter validatie van de methoden en extra inzichten te bekomen van de onderzochte reacties.