Mit Künstlicher Intelligenz die „Fingerabdrücke“ von Molekülen errechnen
Das Graphische Neuronale Netz GNN erhält als Input kleine Moleküle mit der Aufgabe, deren spektrale Antworten zu ermitteln. Durch Abgleich mit den bekannten Spektren lernt das GNN-Programm, Spektren zuverlässig zu berechnen. © K. Singh, A. Bande/HZB
Mit konventionellen Methoden ist es extrem aufwändig, den spektralen Fingerabdruck von größeren Molekülen zu berechnen. Dies ist aber eine Voraussetzung, um experimentell gewonnene Messdaten korrekt zu interpretieren. Nun hat ein Team am HZB mit selbstlernenden Graphischen Neuronalen Netzen sehr gute Ergebnisse in deutlich kürzerer Zeit erzielt.
„Biomoleküle, große anorganische Moleküle, aber auch Quantenpunkte, die oft aus tausenden von Atomen bestehen, sind mit konventionellen Methoden wie der DFT kaum noch vorab zu berechnen“, sagt PD Dr. Annika Bande, theoretische Chemikerin am HZB. Mit ihrem Team hat sie nun systematisch untersucht, wie sich die Rechenzeit durch den Einsatz von Methoden aus der Künstlichen Intelligenz verkürzen lässt.
Die Idee: Ein Computerprogramm aus der Gruppe der „graphischen neuronalen Netze“ oder GNN erhält als Input kleine Moleküle mit der Aufgabe, deren spektrale Antworten zu ermitteln. Im nächsten Schritt vergleicht das GNN-Programm die errechneten Spektren mit den bekannten Zielspektren (DFT oder experimentell) und korrigiert in der folgenden Runde den Berechnungsweg entsprechend. Runde für Runde wird so das Ergebnis immer besser. Das GNN-Programm lernt also selbstständig mit Hilfe bekannter Spektren, wie sich Spektren zuverlässig berechnen lassen.
„Wir haben fünf neuere GNN trainiert und festgestellt, dass sich mit einem davon, dem SchNet-Modell, enorme Verbesserungen erreichen lassen: Die Genauigkeit steigt um 20 % und dies in einem Bruchteil der Rechenzeit“, sagt Erstautor Kanishka Singh. Singh nimmt an der Graduiertenschule HEIBRiDS teil und wird in diesem Rahmen sowohl von Informatik-Experten Prof. Ulf Leser aus der Humboldt-Universität zu Berlin als auch von Annika Bande betreut.
„Kürzlich entwickelte GNN-Frameworks könnten sogar noch besser abschneiden“, meint die theoretische Chemikerin. „Und die Nachfrage ist sehr groß. Wir wollen diese Forschungsrichtung daher vertiefen und planen dafür ab Sommer eine neue Postdoc-Stelle im Rahmen des Helmholtz-Projekts "eXplainable Artificial Intelligence for X-ray Absorption Spectroscopy” ein.“
Anmerkung:
Die Arbeit entstand im Rahmen der Graduiertenschule HEIBRiDS und wird im Helmholtz-Projekt "eXplainable Artificial Intelligence for X-ray Absorption Spectroscopy" (XAI-4-XAS) weitergeführt.
Im Kern geht es in diesem Helmholtz-Projekt (mit HEREON, Leitung HZB) darum, die GNN auch auf sehr große Moleküle auszudehnen. Dies soll in Kombination mit der probabilistischen Analyse von Molekülmotiven erreicht werden. Sie dient dazu, nur den Teil des Konfigurationsphasenraums der Moleküle zu erfassen, der für die genaue Vorhersage von Röntgenspektren erforderlich ist. Die Ergebnisse der Vorhersagen ermöglichen eine rigorose Interpretation von XAS-Experimenten.
- KI-Agenten liefern Ergebnisse – aber denken sie auch wissenschaftlich?Ein Forschungsteam unter gemeinsamer Leitung von Kevin Maik Jablonka vom Helmholtz-Institut für Polymere in Energieanwendungen Jena (HIPOLE Jena) und N. M. Anoop Krishnan vom Indian Institute of Technology Delhi hat mit Corral einen neuen Benchmark für KI-Agenten in der Wissenschaft entwickelt. Der Preprint „AI scientists produce results without reasoning scientifically“ ist auf arXiv erschienen (https://doi.org/10.48550/arXiv.2604.18805). Die Analyse zeigt, dass aktuelle Systeme zwar wissenschaftliche Workflows ausführen und Ergebnisse liefern können; häufig folgen sie dabei aber nicht den Grundprinzipien wissenschaftlicher Prüfung und Schlussfolgerung.
- Magnetfeld während der Synthese des Katalysators verdreifacht AmmoniakausbeuteEin externes Magnetfeld während der Synthese von CoFe₂O₄-Dünnschichten verdreifacht beim Einsatz in der Elektrokatalyse die Ammoniakausbeute. Das Magnetfeld verändert die Oberflächenzustände der Spinell-Oxid-Dünnschichten, so dass die katalytisch aktiven Zentren stärker exponiert sind. Im Fachjournal 'Advanced Functional Materials' zeigt ein Team um Marcel Risch, HZB, und Sanjay Mathur, Universität Köln, eine skalierbare Strategie, um Elektrokatalysatoren der nächsten Generation für effiziente und nachhaltige chemische Umwandlungen zu entwickeln.
- Materialchemie gestaltet die Zukunft der KatalyseDie synthetische Materialchemie der Zukunft kann als Werkzeug dienen, um smarte und adaptive Elektrokatalysatoren zu entwickeln. Das Forschungsfeld entwickelt sich aktuell rasant, mit In-situ-Analytik, datengestützten Entdeckungen und autonomer Robotik. Diese neuen Ansätze könnten die Entdeckung langlebiger und effizienter Katalysatoren für die zukünftige Energieumwandlung und die Dekarbonisierung der chemischen Industrie beschleunigen. Einen Überblick bietet nun ein Beitrag aus dem Team des Katalyse-Experten Dr. Prashanth Menezes im renommierten Fachjournal Angewandte Chemie.