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.
- Start für den Aufbau eines neuen Rechenzentrums in BerlinMit dem Aufbau eines neuen Rechenzentrums in Berlin schaffen das Zuse Institute Berlin (ZIB) und das Helmholtz-Zentrum Berlin (HZB) die Grundlage für eine skalierbare und souveräne Dateninfrastruktur in Berlin. Das Projekt stärkt die wissenschaftliche Leistungsfähigkeit der Berliner Wissenschaft und leistet zugleich einen wichtigen Beitrag zu Forschungssicherheit, Resilienz und technologischer Unabhängigkeit.
- Neue Anlage für die Katalyseforschung am HZBDas HZB hat im Rahmen des Projekts CatLab eine einzigartige Anlage erworben, um die katalytische Leistung von Dünnschichtkatalysatoren zu messen. Erbaut von der Firma ILS in Adlershof, wurde sie nun angeliefert. Die Anlage besteht aus insgesamt acht chemischen Reaktoren, in denen katalytische Systeme getestet werden können. Mit über 2,5 Millionen Euro ist diese Anlage die größte Einzelinvestition Im CatLab-Projekt.
- Proteinkristallographie an BESSY II: Schneller, besser und automatischerViele Erkrankungen hängen mit Fehlfunktionen von Proteinen im Organismus zusammen. Die dreidimensionale Architektur dieser Moleküle ist oft äußerst komplex, liefert aber wertvolle Hinweise für das Verständnis von biologischen Prozessen und die Entwicklung von Medikamenten. Mit Röntgendiffraktion an den MX-Beamlines von BESSY II lässt sich die 3D Struktur von Proteinen entschlüsseln. Mehr als 5000 Strukturen sind bis heute an den drei MX-Beamlines von BESSY II gelöst worden. Ein Rückblick und Ausblick im Gespräch mit Manfred Weiss, dem Leiter der Makromolekularen Kristallographie.