Ein Forscherteam der Freien Universität Berlin setzt auf KI zur Lösung eines Grundlagenproblems der Quantenchemie.
Die Quantenchemie soll die chemischen und physikalischen Eigenschaften von Molekülen anhand der räumlichen Anordnung ihrer Atome vorhersagen. Das ist zeit- und ressourcensparender als aufwendige Laborexperimente und hilft etwa bei der Entwicklung neuer Stoffe in den Materialwissenschaften.
Die Vorhersage erfordert jedoch die Lösung der Schrödinger-Gleichung – ein extrem komplexes mathematisches Problem, für das es aktuell keine exakte und effizient berechenbare Lösung gibt. Grund ist die zu lösende Wellenfunktion, ein mathematisch hochdimensionales Objekt, mit dem sich das Verhalten der Elektronen im Molekül vollständig beschreiben lässt. Mit jedem Elektron steigt die benötigte Rechenarbeit exponentiell an.
Ein Team der Freien Universität Berlin hat jetzt eine Deep-Learning-Methode entwickelt, die eine bisher nicht dagewesene Kombination aus Genauigkeit und Recheneffizienz bei der Vorhersage der Eigenschaften von Molekülen erreicht.
KI lernt Bewegungsmuster der Elektronen
Bisherige Ansätze sollen die Wellenfunktion lösen, indem sie sie aus vielen einfachen Komponenten zusammenbauen, erklärt Team-Leiter Professor Frank Noé. Die KI "PauliNet" der Berliner Forscher lernt stattdessen direkt die komplexen Bewegungsmuster von Elektronen um ihre Atomkerne. In einem Test konnte PauliNet etwa die Energie des Übergangszustandes von Cyclobutadien (C4H4) mit hoher Genauigkeit und hoher rechnerischer Effizienz vorhersagen.
Dafür haben die Forscher zahlreiche grundlegende physikalische Eigenschaften der elektronischen Wellenfunktion in das neuronale Netz integriert, etwa die sogenannte Antisymmetrie: Wenn zwei Elektronen ausgetauscht werden, ändert sich das Vorzeichen der Wellenfunktion. Diese Regel ist auch als "Paulis Ausschlussprinzip" bekannt und der Namensgeber für PauliNet.
Diese und andere Eigenschaften habe man in das neuronale Netz integrieren müssen, um die gewünschte Genauigkeit und Recheneffizienz zu erhalten, so Dr. Jan Hermann, der maßgeblich am Design von PauliNet beteiligt war.
Es sei ein wesentlicher Bestandteil des innovativen Ansatzes von PauliNet, die Eigenschaften in das neuronale Netz zu integrieren, statt zu versuchen, sie allein durch Beobachtung von Daten lernen zu lassen, schreibt SciTechDaily. Die Integration von wissenschaftlichen Erkenntnissen in KI-Systeme ist auch der Schlüssel zum Erfolg von Deepminds AlphaFold 2.
Noch kein Einsatz für industrielle Anwendungen
"Wir denken, dass unser Ansatz die Quantenchemie signifikant beeinflussen wird", sagt Noé. Die Integration von grundlegenden physikalischen Eigenschaften in KI sei notwendig, um mit Künstlicher Intelligenz sinnvolle Vorhersagen in den Naturwissenschaften zu machen.
"Das ist genau die Tätigkeit, bei der Naturwissenschaftlerinnen und Naturwissenschaftler in der KI-Forschung einen wichtigen Beitrag leisten können, und genau darauf hat sich meine Gruppe spezialisiert", so Noé.
Noch gibt es viele Herausforderungen, bevor die Methode für industrielle Anwendungen nutzbar ist. Der Beitrag sei Grundlagenforschung, sagt Noé. Doch schon jetzt sei klar, dass es sich um einen völlig neuen Ansatz für ein altes Problem handele, der viele neue Möglichkeiten eröffnet.
Via: Nature Chemistry, FU Berlin
