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.
- Nanosilber als Elektrokatalysator für die CO₂-VerwertungDurch Elektrolyse lässt sich CO2 zu CO reduzieren, einem Ausgangsstoff für weitere chemische Produkte wie beispielsweise Kraftstoffe. Im Rahmen des GreenQUEST-Projekts hat ein internationales Team um den HZB-Chemiker Prashanth Menezes Katalysatorschichten aus Silbernanopartikeln systematisch untersucht und dabei sowohl die Partikelgröße als auch deren Dichte variiert. Die beste Ausbeute wurde mit Nanopartikeln mit Durchmessern von etwa 10 nm erzielt, die locker verteilt waren. Darüber hinaus zeigten sie, wie sich die Wirtschaftlichkeit der elektrochemischen Zelle durch eine zusätzliche chemische Reaktion an der Anode verbessern lässt, indem gleichzeitig wertvolle Ameisensäure, Wasserstoff und CO erzeugt wird.
- BESSY II: Erster Film von Spinwellen im Nano-OszillatorSpin-Hall-Nano-Oszillatoren sind winzige Bauelemente auf Basis von ultradünnen CoFeB-Schichten. Sie wandeln Gleichstrom in Mikrowellensignale um und gelten als Option für eine besonders effiziente drahtlose Kommunikation oder für eine neue Technologie der Datenverarbeitung, die vom Gehirn inspiriert ist. Ein schwedisch-deutsches Team konnte nun an BESSY II zum ersten Mal die Magnetisierungsdynamik im Inneren eines solchen Spin-Hall-Nano-Oszillators abbilden, sozusagen filmen. Dazu nutzten sie die zeitaufgelöste Röntgen-Rastertransmissionsmikroskopie am MAXYMUS-Instrument. Die Abbildungen zeigen Merkmale von Spinwellen, die in den bisherigen indirekten Messverfahren nicht sichtbar waren. Die Studie ist in „Advanced Materials“ veröffentlicht.
- Gemeinsame Power statt doppelter Strukturen:Die Berliner Wissenschaft treibt ihre Forschungsexzellenz durch den Aufbau einer leistungsfähigen, institutionenübergreifend nutzbaren Daten- und KI-Infrastruktur weiter voran. Mit einer am 18. September 2026 unterzeichneten gemeinsamen Vereinbarung ebnen die Berlin University Alliance (BUA), das Helmholtz-Zentrum Berlin (HZB) und das Zuse-Institut Berlin (ZIB) den Weg für ein gemeinsames Data-Science- und KI-Zentrum in Berlin-Dahlem und Adlershof.