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.
- Grüne Herstellung von Hybridmaterialien als hochempfindliche RöntgendetektorenNeue organisch-anorganische Hybridmaterialien auf Basis von Wismut sind hervorragend als Röntgendetektoren geeignet, sie sind deutlich empfindlicher als handelsübliche Röntgendetektoren und langzeitstabil. Darüber hinaus können sie ohne Lösungsmittel durch Kugelmahlen hergestellt werden, einem umweltfreundlichen Syntheseverfahren, das auch in der Industrie genutzt wird. Empfindlichere Detektoren würden die Strahlenbelastung bei Röntgenuntersuchungen erheblich reduzieren.
- Energiespeicher: BAM, HZB und HU Berlin planen gemeinsames Berlin Battery LabDie Bundesanstalt für Materialforschung und -prüfung (BAM), das Helmholtz-Zentrum Berlin (HZB) und die Humboldt-Universität zu Berlin (HU Berlin) haben ein Memorandum of Understanding (MoU) zur Gründung des Berlin Battery Lab unterzeichnet. Das Labor wird die Expertise der drei Institutionen bündeln, um die Entwicklung nachhaltiger Batterietechnologien voranzutreiben. Die gemeinsame Forschungsinfrastruktur soll auch der Industrie für wegweisende Projekte in diesem Bereich offenstehen.
- BESSY II: Einblick in ultraschnelle Spinprozesse mit FemtoslicingEinem internationalen Team ist es an BESSY II erstmals gelungen, einen besonders schnellen Prozess im Inneren eines magnetischen Schichtsystems, eines Spinventils, aufzuklären: An der Femtoslicing-Beamline von BESSY II konnten sie die ultraschnelle Entmagnetisierung durch spinpolarisierte Stromimpulse beobachten. Die Ergebnisse helfen bei der Entwicklung von spintronischen Bauelementen für die schnellere und energieeffizientere Verarbeitung und Speicherung von Information. An der Zusammenarbeit waren Teams der Universität Straßburg, des HZB, der Universität Uppsala sowie weiterer Universitäten beteiligt.