Het gebruik van polymeren, zowel synthetische als natuurlijke, is alomtegenwoordig en ze worden in vrijwel elk aspect van het moderne leven aangetroffen, inclusief b.v. technische composieten, medische apparaten, verpakkingen en elektronica. Er kunnen verschillende architecturen worden afgeleid uit de verschillende soorten connectiviteit en 3D-positionering van alle verbindingen in polymeren, die de basis vormen om de macroscopische eigenschappen van het polymeer te voorspellen. Een bijzonder complex geval zijn de netwerk polymeren. Ze kunnen worden verkregen van ketengroeipolymerisatie en er kan een groot aantal nevenreacties optreden, evenals een complexere reactantstructuur met een overvloed aan functionele groepen. Een belangrijk voorbeeld van polymeernetwerken en medicijnafgiftesystemen zijn degenen die hydrogels gebruiken, die een combinatie van zowel chemische als fysische interacties ondergaan. Het modelleren van de vorming van deze systemen leidt tot een nauwkeurig materiaalontwerp, maar heeft als belangrijkste nadeel date een gecompliceerde reeks chemische reacties moeten worden gekarakteriseerd alsook een lange simulatietijd resulteert. Om dit aan te pakken, stellen we in dit project voor om (i) de mogelijkheden van onze stochastische algoritmen die worden toegepast op reacties en interacties van polymeernetwerken uit te breiden, (ii) informatie te verzamelen van polymeernetwerken door middel van machine learning en (iii) upgrade de toolbox voor 3D-visualisatie