Maschinelles Lernen in der Chemie Neuronale Netze sagen Moleküleigenschaften vorher

Anbieter zum Thema

Universität Wien

Fujitsu Technology Solutions GmbH

Disy Informationssysteme GmbH

INFOMOTION GmbH

Lösungsstrategien eines menschlichen Gehirns, gepaart mit der Rechenleistung eines Supercomputers – diesen Ansatz nutzen Forscher der Uni Wien, um Moleküleigenschaften schneller zu berechnen. Ihr neuronales Netz lernt selbstständig, die Schrödinger-Gleichung für mehrere Moleküle gleichzeitig zu lösen. Das soll die Rechenzeiten maßgeblich reduzieren.

Wer wissen möchte, wie sich Menschen in einer bestimmten Situation verhalten, wendet sich an einen Psychologen. Wer die Eigenschaften von Molekülen vorhersagen will, wendet sich an einen Mathematiker. Denn der hat mit der Schrödinger-Gleichung ein mächtiges Werkzeug an der Hand, mit dem sich das quantenmechanische Verhalten von Teilchen eines Moleküls beschreiben lässt. „Diese Gleichung mathematisch zu lösen, ist eine unserer grundlegenden Herausforderungen in der rechnergestützten Chemie“, sagt Philipp Marquetand vom Institut für Theoretische Chemie. „Sobald man die Gleichung für ein bestimmtes Molekül lösen kann, lässt sich daraus im Prinzip jede seiner Eigenschaften beschreiben.“ Marquetand hat mit seinem Team an der Universität Wien eine neue Methode vorgestellt, die die Rechenzeiten für diese höchst langwierigen, kostenaufwendigen Rechnungen maßgeblich reduziert.

Rechnergestützte Chemie und ihre Simulationen an Supercomputern helfen, um für neue Materialien geeignete Moleküle bzw. Moleküleigenschaften zu finden. Hat man Erfolg versprechende Verbindungen errechnet, können diese dann wesentlich gezielter im Labor synthetisiert und getestet werden. Das erleichtert die Entwicklung neuer chemischer Verbindungen für Medikamente, Halbleiter oder andere Materialien, die im chemischen Experiment häufig sehr zeitintensiv und kostenaufwendig ist.

Mit Monte-Carlo schneller zum Ziel

Um möglichst exakte Lösungen für die Schrödinger Gleichung bzw. ihre Wellenfunktion – als große Unbekannte in der Gleichung – für ein Molekül rechnerisch vorherzusagen, nutzen die Forscher künstliche neuronale Netze. Das neuronale Netz lernt und erarbeitet sich immer bessere Vorschläge, bis eine Lösung gefunden wurde, die der Gleichung entspricht. Im Gegensatz zu anderen Ansätzen benötigt das neuronale Netz keine große Sammlung an Beispiellösungen, sondern erarbeitet sich die Lösung allein anhand der Gleichung. Bisherige Ansätze dieses maschinellen Lernens sind aber nur für sehr einfache Systeme anwendbar – mit erforderlichen Rechenleistungen über mehrere Tage. Bereits kleine Moleküle oder auch die verschiedenen Geometrien von Molekülen sind bereits viel zu komplex, um sie aktuell kosten- und zeitverträglich rechnen zu können.

„In der Studie haben wir versucht, über einen neuen Ansatz des maschinellen Lernens die Schrödinger-Gleichung für verschiedene Molekülgeometrien gleichzeitig zu rechnen“, sagt Deep-Learning-Experte Philipp Grohs vom Institut für Mathematik: „Dafür haben wir ein Verfahren aus der Wahrscheinlichkeitstheorie, die so genannte Monte-Carlo-Simulation, mit unseren neuronalen Netzwerken kombiniert.“

Grundlagen Statistik & Algorithmen, Teil 4

Der Monte-Carlo-Algorithmus und -Simulationen

Die entscheidenden fünf Prozent

Das Team um Chemiker Marquetand und Mathematiker Grohs nutzte eine Vereinfachung für ihr Modell aus: Es ist nämlich so, dass über 95 Prozent der Parameter, die ein neuronales Netz für eine bestimmte Geometrie beschreiben, für alle anderen Geometrien ebenfalls gilt. Dieses Wissen kann also über die Geometrien hinweg geteilt werden und spart so Rechenbedarf. Nur fünf Prozent der Parameter („Netzwerk-Gewichte“) sind für eine bestimmte Geometrie spezifisch und müssen separat gerechnet werden. „So haben die Forscher sehr exakte Lösungen für die Schrödinger-Gleichung bestimmt und damit Moleküleigenschaften bestimmt, und zwar viel schneller als mit den bisherigen Methoden.

Die Idee zur Zusammenarbeit zwischen dem Chemiker und dem Mathematiker entstand im Forschungsnetzwerk Data Science der Universität Wien, welches Grohs leitet. Ihren Ansatz möchten die Forschergruppen nun weiterverfolgen, um ihn z. B. auch auf größere Moleküle anwendbar zu machen.

Originalpublikation: Michael Scherbela, Rafael Reisenhofer, Leon Gerard, Philipp Marquetand und Philipp Grohs: Solving the electronic Schrödinger equation for multiple nuclear geometries with weight-sharing deep neural networks, Nature Computational Science, 2022; DOI: 10.1038/s43588-022-00228-x

Dieser Artikel stammt von unserem Partnerportal LaborPraxis.

* A. Frey, Universität Wien, 1010 Wien/Österreich

(ID:48368489)