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.
- 3D-Magnetfeld-Experiment an BESSY II bringt Spintronik voran(Fe0.63Ni0.3Pd0.07)3P oder kurz FNPP ist ein magnetisches Material, das auch schon bei Raumtemperatur komplexe magnetische Strukturen zeigt. Das macht das Material für die Spintronik interessant, die Datenverarbeitung mit deutlich weniger Energieeinsatz ermöglichen würde, zum Beispiel neuartige Datenspeicher. Allerdings müsste es dafür gelingen, die gewünschten Strukturen kontrolliert zu erzeugen und zu verändern, und das ist bisher noch eine Herausforderung. Eine neue Studie unter Federführung des HZB ist hier nun einen Schritt vorangekommen. Mit einem weltweit einzigartigen Instrument, dem VEKMAG an BESSY II, zeigten sie, dass ein sehr kleines äußeres Magnetfeld in der Ebene der Strukturen ausreicht, um diese zu verändern.
- Grüner Wasserstoff: Ultradünne Nickeloxidschichten erweisen sich als überlegenUltradünne Nickeloxid-Beschichtungen können die Leistung von Wasserelektrolyseuren mit Anionenaustauschmembran (AEM) deutlich verbessern. Dies hat ein Team um Dr. Michelle Browne nachgewiesen: Eine nur 10 Nanometer dicke Nickeloxidschicht übertrifft dabei die Leistung von herkömmlichen Nickeloxid-Pulverelektroden, benötigt dabei jedoch weniger als 1 % des Katalysatormaterials. Die Studie ist im „Journal of Materials Chemistry A“ veröffentlicht.
- Erstmals gesicherte Zahlen: Investitionen in BESSY lohnen sich für Berlin und DeutschlandEine Wirkungsanalyse des DIW Econ zeigt den wissenschaftlichen und wirtschaftlichen Wert von BESSY II. Jeder investierte Euro bringt Deutschland drei Euro ein, dem Land Berlin sogar zehn Euro. Darüber hinaus gibt die Studie eine wirtschaftliche Prognose zum Bau von BESSY III.
Die Wirkungsanalyse wurde am 3. September 2026 an Dr. Henry Marx, Staatssekretär für Wissenschaft und Forschung im Berliner Senat übergeben. Er befürwortet Investitionen und setzt sich mit Nachdruck für BESSY III ein.