Neue Forschungsergebnisse unter Einsatz neuronaler Netzwerke, einer Form der vom Gehirn inspirierten künstlichen Intelligenz, schlagen eine Lösung für die schwierige Herausforderung der Modellierung der Zustände von Molekülen vor.
Die Forschung zeigt, wie die Technik dabei helfen kann, grundlegende Gleichungen in komplexen molekularen Systemen zu lösen. Dies könnte in Zukunft zu praktischen Anwendungen führen und Forschern helfen, mithilfe von Computersimulationen Prototypen neuer Materialien und chemischer Synthesen zu entwickeln, bevor sie versuchen, diese im Labor herzustellen.
Unter der Leitung von Wissenschaftlern des Imperial College London und von Google DeepMind veröffentlicht In Wissenschaft.
Angeregte Moleküle
Das Team untersuchte, wie Moleküle in angeregte Zustände übergehen und wieder aus ihnen herauskommen. Wenn Moleküle und Materialien durch eine große Energiemenge angeregt werden, beispielsweise durch Licht oder hohe Temperaturen, können ihre Elektronen vorübergehend in eine neue Konfiguration versetzt werden, die als angeregter Zustand bezeichnet wird.
Die genaue Menge an Energie, die absorbiert und freigesetzt wird, wenn Moleküle zwischen Zuständen wechseln, erzeugt einen einzigartigen Fingerabdruck für verschiedene Moleküle und Materialien. Dies beeinflusst die Leistungsfähigkeit von Technologien von Solarmodulen und LEDs bis hin zu Halbleitern und Photokatalysatoren. Es spielt auch eine entscheidende Rolle bei biologischen Prozessen mit Licht, einschließlich Photosynthese und Sehen.
Allerdings ist es äußerst schwierig, diesen Fingerabdruck zu modellieren, da die angeregten Elektronen quantenmechanischer Natur sind. Das bedeutet, dass ihre Positionen innerhalb der Moleküle nie sicher sind und nur als Wahrscheinlichkeiten ausgedrückt werden können.
Der leitende Forscher Dr. David Pfau von Google DeepMind und der Fakultät für Physik am Imperial College sagte: „Den Zustand eines Quantensystems darzustellen, ist eine extreme Herausforderung. Jeder möglichen Konfiguration von Elektronenpositionen muss eine Wahrscheinlichkeit zugeordnet werden.“
„Der Raum aller möglichen Konfigurationen ist riesig – wenn man ihn als Gitter mit 100 Punkten entlang jeder Dimension darstellen würde, dann wäre die Anzahl der möglichen Elektronenkonfigurationen für das Siliziumatom größer als die Anzahl der Atome im Universum. Genau hier dachten wir, dass tiefe neuronale Netzwerke helfen könnten.“
Neuronale Netze
Die Forscher entwickelten einen neuen mathematischen Ansatz und verwendeten ihn mit einem neuronalen Netzwerk namens FermiNet (Fermionic Neural Network) war das erste Beispiel, bei dem Deep Learning verwendet wurde, um die Energie von Atomen und Molekülen auf der Grundlage grundlegender Prinzipien mit einer Genauigkeit zu berechnen, die nützlich war.
Das Team testete seinen Ansatz anhand einer Reihe von Beispielen und erzielte vielversprechende Ergebnisse. Bei einem kleinen, aber komplexen Molekül namens Kohlenstoffdimer erreichten sie einen mittleren absoluten Fehler (MAE) von 4 meV (Millielektronenvolt – eine winzige Energieeinheit), was fünfmal näher an den experimentellen Ergebnissen liegt als frühere Goldstandardmethoden, die 20 meV erreichten.
Dr. Pfau sagte: „Wir haben unsere Methode an einigen der anspruchsvollsten Systeme der Computerchemie getestet, bei denen zwei Elektronen gleichzeitig angeregt werden, und haben festgestellt, dass wir innerhalb von etwa 0,1 eV der anspruchsvollsten und komplexesten Berechnungen lagen, die bisher durchgeführt wurden.“
„Heute machen wir unser neuestes Werk Open Sourceund hoffen, dass die Forschungsgemeinschaft auf unseren Methoden aufbaut, um die unerwarteten Wege zu erforschen, auf denen Materie mit Licht interagiert.“
Weitere Informationen:
David Pfau, Genaue Berechnung von Quantenanregungszuständen mit neuronalen Netzwerken, Wissenschaft (2024). DOI: 10.1126/science.adn0137. www.science.org/doi/10.1126/science.adn0137