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.
- Gute Aussichten für Zinn-Perowskit-SolarzellenPerowskit-Solarzellen gelten weithin als die Photovoltaik-Technologie der nächsten Generation. Allerdings sind Perowskit-Halbleiter langfristig noch nicht stabil genug für den breiten kommerziellen Einsatz. Ein Grund dafür sind wandernde Ionen, die mit der Zeit dazu führen, dass das Halbleitermaterial degradiert. Ein Team des HZB und der Universität Potsdam hat nun die Ionendichte in vier verschiedenen Perowskit-Halbleitern untersucht und dabei erhebliche Unterschiede festgestellt. Eine besonders geringe Ionendichte wiesen Zinn-Perowskit-Halbleiter auf, die mit einem alternativen Lösungsmittel hergestellt wurden – hier betrug die Ionendichte nur ein Zehntel im Vergleich zu Blei-Perowskit-Halbleitern. Damit könnten Perowskite auf Zinnbasis ein besonders großes Potenzial zur Herstellung von umweltfreundlichen und besonders stabilen Solarzellen besitzen.
- Synchrotronstrahlungsquellen: Werkzeugkästen für QuantentechnologienSynchrotronstrahlungsquellen erzeugen hochbrillante Lichtpulse, von Infrarot bis zu harter Röntgenstrahlung, mit denen sich tiefe Einblicke in komplexe Materialien gewinnen lassen. Ein internationales Team hat nun im Fachjournal Advanced Functional Materials einen Überblick über Synchrotronmethoden für die Weiterentwicklung von Quantentechnologien veröffentlicht: Anhand konkreter Beispiele zeigen sie, wie diese einzigartigen Werkzeuge dazu beitragen können, das Potenzial von Quantentechnologien wie z. B. Quantencomputing zu erschließen, Produktionsbarrieren zu überwinden und den Weg für zukünftige Durchbrüche zu ebnen.
- Neue Katalysatormaterialien auf Basis von Torf für BrennstoffzellenEisen-Stickstoff-Kohlenstoff-Katalysatoren haben das Potenzial, teure Platinkatalysatoren in Brennstoffzellen zu ersetzen. Dies zeigt eine Studie aus Helmholtz-Zentrum Berlin (HZB), der Physikalisch-Technischen Bundesanstalt (PTB) und der Universitäten in Tartu und Tallinn, Estland. An BESSY II beobachtete das Team, wie sich komplexe Mikrostrukturen in den Proben bilden. Anschließend analysierten sie, welche Strukturparameter für die Förderung der bevorzugten elektrochemischen Reaktionen besonders wichtig waren. Der Rohstoff für solche Katalysatoren ist gut zersetzter Torf.