Durchbruch in der durch maschinelles Lernen verbesserten Quantenchemie gemeldet

In einer neuen Studie, veröffentlicht in Proceedings of the National Academy of Scienceshaben Forscher des Los Alamos National Laboratory vorgeschlagen, mehr Mathematik der Quantenmechanik in die Struktur der maschinellen Lernvorhersagen einzubeziehen. Anhand der spezifischen Positionen von Atomen innerhalb eines Moleküls sagt das maschinelle Lernmodell eine effektive Hamilton-Matrix voraus, die die verschiedenen möglichen elektronischen Zustände zusammen mit den zugehörigen Energien beschreibt.

Im Vergleich zu herkömmlichen Quantenchemie-Simulationen macht der auf maschinellem Lernen basierende Ansatz Vorhersagen zu einem stark reduzierten Rechenaufwand. Es ermöglicht quantitativ präzise Vorhersagen zu Materialeigenschaften, ermöglicht interpretierbare Einblicke in die Natur der chemischen Bindung zwischen Atomen und kann zur Vorhersage anderer komplexer Phänomene verwendet werden, beispielsweise wie das System auf Störungen wie Licht-Materie-Wechselwirkungen reagiert. Das Verfahren bietet auch eine stark verbesserte Genauigkeit im Vergleich zu herkömmlichen Modellen für maschinelles Lernen und zeigt Erfolge bei der Übertragbarkeit, dh der Fähigkeit des Modells, Vorhersagen zu treffen, die weit über die Daten hinausgehen, die die Grundlage seines Trainings bildeten.

Die Gleichungen der Quantenmechanik bieten einen Fahrplan für die Vorhersage der Eigenschaften von Chemikalien ausgehend von grundlegenden wissenschaftlichen Theorien. Diese Gleichungen können jedoch in Bezug auf Computerzeit und -leistung schnell zu teuer werden, wenn sie zur Vorhersage des Verhaltens in großen Systemen verwendet werden. Maschinelles Lernen bietet einen vielversprechenden Ansatz, um solche groß angelegten Simulationen zu beschleunigen. Die Verwendung von maschinellem Lernen zur Vorhersage chemischer Eigenschaften birgt das Potenzial für große technologische Fortschritte, mit Anwendungen von sauberer Energie bis hin zum schnelleren pharmazeutischen Arzneimitteldesign. Dies ist ein sehr aktives Forschungsgebiet, aber die meisten bestehenden Ansätze verwenden einfache und heuristische Ansätze für das Design der Modelle für maschinelles Lernen.

In ihrer Studie haben die Forscher gezeigt, dass maschinelle Lernmodelle die Grundstruktur der grundlegenden Naturgesetze nachahmen können. Es kann sehr schwierig sein, diese Gesetze direkt zu simulieren. Der maschinelle Lernansatz ermöglicht Vorhersagen, die einfach zu berechnen und in einer Vielzahl von chemischen Systemen genau sind.

Das verbesserte maschinelle Lernmodell kann schnell und genau eine Vielzahl von Eigenschaften von Molekülen vorhersagen. Diese Ansätze schneiden bei wichtigen Benchmarks in der Computerchemie sehr gut ab und zeigen, wie Deep-Learning-Methoden durch die Einbeziehung von mehr Daten aus Experimenten weiter verbessert werden können. Das Modell kann auch bei anspruchsvollen Aufgaben wie der Vorhersage der Dynamik angeregter Zustände erfolgreich sein – wie sich Systeme bei erhöhten Energieniveaus verhalten. Dieses Werkzeug ist eine bahnbrechende Fähigkeit für die Quantenchemie. Es wird Forschern ermöglichen, die Reaktivität und angeregten Zustände neuer Moleküle besser zu verstehen.