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.
- Magnetische Bildgebung: Mikroblumen verstärken das lokale MagnetfeldMaterialien mit magnetischen Nanostrukturen bieten viele Anwendungsmöglichkeiten, beispielsweise in der Spintronik. Um solche Materialien zu untersuchen, sind magnetisch empfindliche Bildgebungsverfahren im Nanobereich geeignet, bisher konnten während des Bildgebung jedoch nur schwache Magnetfelder angelegt werden. Nun hat eine internationale Forschungsgruppe unter der Leitung von Dr. Sergio Valencia vom HZB einen Ansatz entwickelt, der diese Einschränkung überwindet. Das Team entwarf winzige Magnetflusskonzentratoren (MFCs). Die Geometrie der MFCs ähnelt einer Blume und fokussiert das angelegte Magnetfeld auf das Zentrum, in dem die Probe sitzt. Die „Mikroblumen“, die das Magnetfeld lokal verstärken, können in vielen nanometrischen magnetischen Mikroskopieverfahren eingesetzt werden.
- CIGS-Perowskit-Tandemzelle erreicht Rekordwirkungsgrad von 25,5 %Ein Berliner Team aus Helmholtz-Zentrum Berlin (HZB) und Center for the Science of Materials Berlin (CSMB) an der Humboldt-Universität zu Berlin hat einen neuen Rekord für eine Tandemsolarzelle aufgestellt. Durch die Kombination einer CIGS-Halbleiterschicht mit Perowskit gelang es ihnen, 25,5 % des Sonnenlichts in elektrische Energie umzuwandeln. Der bisherige Rekord für diese Materialkombination und diese Zellgröße lag bei 24,6 %. Der neue Rekord wurde zertifiziert und ist in den Solar Cell Efficiency Tables (den „Green Tables“) zu finden, die als Nachschlagewerk für die weltweite Photovoltaik-Gemeinschaft gelten.
- Unordnung erzeugt neue Eigenschaften in VerbindungshalbleiternEin internationales Forschungsteam hat gezeigt, dass intrinsische Unordnung im Verbindungshalbleiter CuInSnS₄ genutzt werden kann, um dessen optische Eigenschaften zu beeinflussen. Optische Anregungen (Exzitonen) reagieren empfindlich auf die lokale Anordnung der Atome. Dabei zeigen sie überraschenderweise eine richtungsabhängige Reaktion, obwohl die durchschnittliche Kristallstruktur kubisch ist. Diese Erkenntnisse werfen ein neues Licht auf den Zusammenhang zwischen Unordnung und Materialeigenschaften und eröffnen neue Möglichkeiten für ein gezieltes „Unordnungs-Engineering“ in optoelektronischen und photokatalytischen Bauelementen.