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.

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.

arö

Das könnte Sie auch interessieren

  • Alexander Gray kommt als Humboldt-Fellow ans HZB 
    Nachricht
    12.08.2022
    Alexander Gray kommt als Humboldt-Fellow ans HZB 
    Alexander Gray von der Temple University in Philadelphia, USA, arbeitet gemeinsam mit dem HZB-Physiker Florian Kronast an der Erforschung neuartiger 2D-Quantenmaterialien an BESSY II. Mit dem Stipendium der Alexander von Humboldt-Stiftung kann er diese Zusammenarbeit nun vertiefen. Bei BESSY II will er tiefenaufgelöste röntgenmikroskopische und -spektroskopische Methoden weiterentwickeln, um 2D-Quantenmaterialien und Bauelemente für neue Informationstechnologien zu untersuchen. 
  • Grüner Wasserstoff: Nanostrukturiertes Nickelsilizid glänzt als Katalysator
    Science Highlight
    11.08.2022
    Grüner Wasserstoff: Nanostrukturiertes Nickelsilizid glänzt als Katalysator
    Elektrische Energie aus Wind oder Sonne lässt sich als chemische Energie in Wasserstoff speichern, einem hervorragenden Kraftstoff und Energieträger. Voraussetzung dafür ist allerdings die effiziente Elektrolyse von Wasser mit kostengünstigen Katalysatoren. Nanostrukturiertes Nickelsilizid kann die Effizienz der Sauerstoffentwicklungsreaktion an der Anode deutlich steigern. Dies zeigte nun ein Team aus dem HZB, der Technischen Universität Berlin und der Freien Universität Berlin im Rahmen der Forschungsplattform CatLab unter anderem auch mit Messungen an BESSY II.
  • RBB Abendschau zu Besuch bei CatLab
    Nachricht
    01.08.2022
    RBB Abendschau zu Besuch bei CatLab
    CatLab bekam Besuch von der rbb Abendschau.
    Unter dem Titel "Der Weg weg vom Erdgas" wurde der Beitrag am Sonntag, 31. Juli in de rbb Abendschau ausgestrahlt und wird für 7 Tage in die rbb-Mediathek verfügbar.