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

  • 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.
  • Buckyballs auf Gold sind weniger exotisch als Graphen
    Science Highlight
    21.07.2022
    Buckyballs auf Gold sind weniger exotisch als Graphen
    C60-Moleküle auf einem Gold-Substrat wirken komplexer als ihr Vorbild aus Graphen, haben aber viel gewöhnlichere elektronische Eigenschaften. Dies zeigen nun Messungen mit ARPES an BESSY II und ausführliche Berechnungen.
  • Feinstpartikel zurück in den Rohstoffkreislauf
    Nachricht
    19.07.2022
    Feinstpartikel zurück in den Rohstoffkreislauf
    Bei industriellen Prozessen entstehen immer auch feinkörnige Rückstände. Diese finden nur selten den Weg zurück in die industrielle Wertschöpfungskette, sondern werden meist entsorgt und stellen ein potenzielles Umweltrisiko dar. Das Projekt FINEST erfasst und untersucht verschiedene dieser Feinststoffströme mit dem Ziel, neue Konzepte zu entwickeln, um sie im Kreislauf zu halten und verbliebene Reststoffe gefahrlos abzulagern. FINEST konnte sich beim Nachhaltigkeitswettbewerb der Helmholtz-Gemeinschaft durchsetzen und wird nun 5 Millionen Euro gefördert.