Forschung der TU Berlin KI-Algorithmus generiert innovative Verbindungen

Wissenschaftler sind immer auf der Suche nach innovativen Substanzen – etwa in der Batterieforschung oder der Materialwissenschaft. Ein neuer KI-Algorithmus ist nun in der Lage, gezielt Moleküle auf Basis gewünschter Eigenschaften zu generieren.

Anbieter zum Thema

Technische Universität Berlin

Bissantz & Company GmbH

TIBCO Software GmbH

Fujitsu Technology Solutions GmbH

Forscher können oftmals sehr detailliert die gewünschten chemischen und physikalischen Eigenschaften einer gewünschten Substanz bis auf die atomare Ebene vorhersagen. Allerdings ist der Raum aller potenziellen chemischen Verbindungen so riesig, dass es Jahre dauern würde, bis sich die geeignete Substanz findet.

Eine interdisziplinäre Forschergruppe des Berlin Institute for the Foundations of Learning and Data (BIFOLD) an der Technischen Universität Berlin hat sich mit diesem Problem befasst. Die Wissenschaftler entwickelten einen KI-Algorithmus, der sogenanntes inverses chemisches Design umsetzt und damit gezielt Moleküle auf Basis ihrer gewünschten Eigenschaften generiert. Eine entsprechende Publikation zu diesem Thema erschien nun im Fachmagazin „Nature Communications“.

Komplexer Prozess

Die Suche nach geeigneten Molekülen für spezielle medizinische oder industrielle Anwendungen ist extrem aufwendig und teuer. „Rein hypothetisch existieren unfassbar viele mögliche Strukturen, von denen aber nur ein winziger Bruchteil die speziellen chemischen oder physikalischen Eigenschaften hat, die in einer bestimmten Anwendung gefragt sind“, erklärt Dr. Kristof Schütt, BIFOLD Junior Fellow an der TU Berlin.

Beim inversen Moleküldesign drehen die BIFOLD-Wissenschaftler die Struktur-Eigenschafts-Beziehung um: Nicht die Struktur gibt die Eigenschaften vor, sondern umgekehrt. Der dafür genutzte KI-Algorithmus basiert auf einem sogenannten tiefen generativen neuronalen Netz, in dessen Entwicklung Vorwissen über grundsätzliche physikalische Gegebenheiten eingeflossen ist. Es lernt anhand einiger tausend Beispielmoleküle die komplexen Zusammenhänge zwischen chemischen Strukturen und ihren Eigenschaften.

„Danach können verschiedene Eigenschaftsprofile vorgeben werden und das generative neuronale Netz, schlägt dazu eine überschaubare Menge an passenden Molekülen und Verbindungen vor“, so Schütt. Nur diese Kandidaten müssten dann von Chemikern untersucht werden. Die Wissenschaftler konnten zudem demonstrieren, dass dieses inverse chemische Design auch dann funktioniert, wenn das gesuchte Eigenschaftsprofil nur teilweise von den Beispielmolekülen abgedeckt wird. In Zukunft könnten derartige Algorithmen im Zusammenspiel mit anderen KI-getriebenen Ansätzen und quantenchemischen Methoden die Suche nach neuen Molekülen und Materialien stark beschleunigen.

(ID:48045850)