Gábor Csányi

Professor Dr. Gábor Csányi ist seit Januar 2026 als Direktor am Max-Planck-Institut für Polymerforschung tätig. Seine Berufung ist Teil der Max-Planck-Liquids-Initiative, die vom Land Rheinland-Pfalz mitfinanziert wird und Forscher zusammenbringt, um die molekularen Eigenschaften von Flüssigkeiten und Grenzflächen in enger Verbindung mit der MaxWater-Initiative der Max-Planck-Gesellschaft zu untersuchen.

Der aus Ungarn stammende Csányi studierte Mathematik an der Universität Cambridge, wo er 1994 seinen Bachelor of Arts in Mathematik erhielt, und promovierte 2001 am Massachusetts Institute of Technology (MIT) in Computational Physics. Nach seiner Promotion war er als wissenschaftlicher Mitarbeiter am Cavendish Laboratory der Universität Cambridge tätig (2001–2007). Anschließend durchlief er verschiedene akademische Positionen am Engineering Laboratory der Universität Cambridge, wo er als Universitätsdozent, Senior-Dozent, Reader in Engineering und seit 2016 als Professor für Molekulare Modellierung tätig war.

Csányi hatte mehrere Gast- und Ehrenämter inne, darunter Argyris-Dozent und Gastprofessor an der Universität Stuttgart (2022) und August-Wilhelm-Scheer-Gastprofessor an der Technischen Universität München (2019). Seine wissenschaftlichen Leistungen wurden mit einer Reihe von Auszeichnungen gewürdigt, darunter insbesondere ein Leverhulme Early Career Fellowship und der F. W. Bessel-Preis der Alexander von Humboldt-Stiftung im Jahr 2010. Im Jahr 2025 wurde er zum Fellow der Royal Society of London gewählt.

Csányis Forschung konzentriert sich auf die Entwicklung von Rechenmodellen, die Wechselwirkungen auf atomarer Ebene mit hoher Genauigkeit und Effizienz beschreiben, insbesondere Kraftfelder, die aus quantenmechanischen Berechnungen abgeleitet werden. Diese Methoden zielen darauf ab, eine Brücke zwischen quantenmechanischen Beschreibungen und mesoskopischem Verhalten zu schlagen und so das Verständnis von Materialien zu verbessern, die für die Chemie, Biologie und Materialwissenschaften relevant sind. Seine Arbeit kombiniert physikalisch basierte Modellierung mit Ansätzen des maschinellen Lernens, um prädiktive Simulationen zu ermöglichen, unter anderem für Flüssigkeiten und komplexe molekulare Systeme. Seine frühen Arbeiten trugen dazu bei, das Gebiet der maschinell gelernten interatomaren Potenziale (MLIPs) zu definieren, und seine Gruppe entdeckte die außergewöhnliche Generalisierungsfähigkeit von „Grundlagenmodellen”, die auf einer vielfältigen Reihe von anorganischen Kristallen trainiert werden und in der Lage sind, fast jede Art von Material und chemischem Prozess zu simulieren.