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.
- BESSY II: Eingebauter Sauerstoff verkürzt die Lebensdauer von FeststoffbatterienFeststoffbatterien sind sicher und leistungstark, aber ihre Kapazität nimmt zurzeit noch rasch ab. Ein Team der TU Wien, der Humboldt-Universität zu Berlin und des HZB hat nun eine TiS₂|Li₃YCl₆-Halbzelle an BESSY II analysiert. Dafür nutzte das Team eine spezielle Probenumgebung, die eine zerstörungsfreie Untersuchung unter realen Betriebsbedingungen ermöglicht. Durch die Kombination von Weich- und Hart-Röntgen-Photoelektronenspektroskopie (XPS und HAXPES) konnte ein neuer Degradationsmechanismus identifiziert werden. Dabei spielte das Element Sauerstoff eine besondere Rolle. Die Studie liefert wertvolle Einblicke, um Design und Fertigung von Feststoffbatterien zu verbessern.
- Spintronik an BESSY II: Echtzeit-Analyse von magnetischen DoppelschichtsystemenSpintronische Bauelemente ermöglichen Datenverarbeitung mit deutlich weniger Energieverbrauch. Sie basieren auf der Wechselwirkung zwischen ferromagnetischen und antiferromagnetischen Schichten. Nun ist es einem Team von Freier Universität Berlin, HZB und Universität Uppsala gelungen, für jede Schicht separat zu verfolgen, wie sich die magnetische Ordnung verändert, nachdem ein kurzer Laserpuls das System angeregt hat. Dabei konnten sie auch die Hauptursache identifizieren, die für den Verlust der antiferromagnetischen Ordnung in der Oxidschicht sorgt: Die Anregung wird von den heißen Elektronen im ferromagnetischen Metall zu den Spins im Antiferromagneten transportiert.
- Elektrokatalysatoren: Ladungstrennung an der Fest-Flüssig-Grenzfläche modelliertWasserstoff spielt für die Wende hin zur CO₂-Neutralität eine entscheidende Rolle, sowohl als Energieträger als auch als Ausgangsstoff für die grüne Chemie. Die großtechnische Erzeugung von Wasserstoff durch Elektrolyse sowie vieler anderer chemischer Produkte erfordert jedoch deutlich kostengünstigere und effizientere Katalysatoren. Um Elektrokatalysatoren gezielt zu verbessern, ist es von großem Nutzen, die elektrochemischen Prozesse genau zu verstehen, die an der Grenzfläche zwischen dem festen Katalysator und dem flüssigen Medium ablaufen. Ein europäisches Team hat In der Fachzeitschrift Nature Communications ein leistungsfähiges Modell vorgestellt, das die Ladungstrennung an der Grenzfläche, die Bildung der elektrischen Doppelschicht sowie deren Einfluss auf die katalytische Aktivität hervorragend beschreibt.