Ein Team der Princeton University hat die ersten Schritte der Eisbildung genau simuliert, indem es künstliche Intelligenz (KI) zur Lösung von Gleichungen anwendet, die das Quantenverhalten einzelner Atome und Moleküle bestimmen.
Die resultierende Simulation beschreibt mit Quantengenauigkeit, wie Wassermoleküle in festes Eis übergehen. Dieses Maß an Genauigkeit, das einst aufgrund der erforderlichen Rechenleistung für unerreichbar gehalten wurde, wurde möglich, als die Forscher tiefe neuronale Netze, eine Form der künstlichen Intelligenz, in ihre Methoden einbauten. Die Studie wurde in der Zeitschrift veröffentlicht Proceedings of the National Academy of Sciences.
„In gewisser Weise ist dies wie ein wahr gewordener Traum“, sagte Roberto Car, Princetons Ralph W. *31 Dornte-Professor für Chemie, der vor mehr als 35 Jahren den Ansatz zur Simulation molekularen Verhaltens auf der Grundlage der zugrunde liegenden Quantengesetze mitpionierte . „Unsere Hoffnung war damals, dass wir irgendwann Systeme wie dieses studieren könnten, aber ohne weitere konzeptionelle Entwicklung war das nicht möglich, und diese Entwicklung kam über ein völlig anderes Gebiet, das der künstlichen Intelligenz und der Datenwissenschaft.“
Die Möglichkeit, die ersten Schritte beim Gefrieren von Wasser zu modellieren, ein Prozess, der als Eiskeimbildung bezeichnet wird, könnte die Genauigkeit der Wetter- und Klimamodellierung sowie anderer Verarbeitungsprozesse wie dem Schockgefrieren von Lebensmitteln verbessern.
Forscher der Princeton University kombinierten künstliche Intelligenz und Quantenmechanik, um zu simulieren, was auf molekularer Ebene passiert, wenn Wasser gefriert. Das Ergebnis ist die bisher vollständigste Simulation der ersten Schritte der „Keimbildung“ von Eis, einem Prozess, der für die Klima- und Wettermodellierung wichtig ist. Bildnachweis: Pablo Piaggi, Princeton University
Der neue Ansatz ermöglicht es den Forschern, die Aktivität von Hunderttausenden von Atomen über Zeiträume zu verfolgen, die tausendmal länger sind, wenn auch immer noch nur Bruchteile von Sekunden, als in frühen Studien.
Car hat den Ansatz miterfunden, zugrunde liegende quantenmechanische Gesetze zu verwenden, um die physikalischen Bewegungen von Atomen und Molekülen vorherzusagen. Quantenmechanische Gesetze schreiben vor, wie sich Atome aneinander binden, um Moleküle zu bilden, und wie sich Moleküle miteinander verbinden, um Alltagsgegenstände zu bilden.
Car und Michele Parrinello, ein Physiker, der jetzt am Istituto Italiano di Tecnologia in Italien arbeitet, veröffentlichten ihren Ansatz, bekannt als „ab initio“ (lateinisch für „von Anfang an“) Molekulardynamik, in a bahnbrechendes Papier 1985.
Aber quantenmechanische Berechnungen sind komplex und erfordern enorme Rechenleistung. In den 1980er Jahren konnten Computer nur hundert Atome über Spannen von einigen Billionstel Sekunden simulieren. Nachfolgende Fortschritte in der Computertechnik und das Aufkommen moderner Supercomputer steigerten die Anzahl der Atome und die Zeitspanne der Simulation, aber das Ergebnis blieb weit hinter der Anzahl der Atome zurück, die zur Beobachtung komplexer Prozesse wie der Eiskeimbildung erforderlich sind.
KI bot eine attraktive potenzielle Lösung. Forscher trainieren ein neuronales Netzwerk, das nach seiner Ähnlichkeit mit der Funktionsweise des menschlichen Gehirns benannt ist, um eine vergleichsweise kleine Anzahl ausgewählter Quantenberechnungen zu erkennen. Einmal trainiert, kann das neuronale Netzwerk die Kräfte zwischen Atomen berechnen, die es noch nie zuvor mit quantenmechanischer Genauigkeit gesehen hat. Dieser „Machine Learning“-Ansatz wird bereits in alltäglichen Anwendungen wie Spracherkennung und selbstfahrenden Autos eingesetzt.
Im Fall der Anwendung von KI auf die molekulare Modellierung kam 2018 ein wichtiger Beitrag, als der Princeton-Doktorand Linfeng Zhang in Zusammenarbeit mit dem Car- und Princeton-Professor für Mathematik Weinan E. einen Weg fand, tiefe neuronale Netze auf die Modellierung quantenmechanischer interatomarer Kräfte anzuwenden. Zhang, der seinen Ph.D. im Jahr 2020 und ist jetzt wissenschaftlicher Mitarbeiter am Beijing Institute of Big Data Research, genannt der Ansatz „Tiefenpotential Molekulardynamik.“
In der aktuellen Veröffentlichung wendeten Car und der Postdoktorand Pablo Piaggi zusammen mit Kollegen diese Techniken auf die Herausforderung an, Eiskeimbildung zu simulieren. Mithilfe der Molekulardynamik im Tiefenpotential konnten sie Simulationen von bis zu 300.000 Atomen mit deutlich weniger Rechenleistung und über viel längere Zeiträume als bisher möglich durchführen. Sie führten die Simulationen auf Summit durch, einem der schnellsten Supercomputer der Welt, der sich im Oak Ridge National Laboratory befindet.
Diese Arbeit bietet eine der besten Studien zur Eisnukleation, sagte Pablo Debenedetti, Forschungsdekan von Princeton und Professor für Ingenieurwissenschaften und angewandte Wissenschaften der Klasse von 1950 und Mitautor der neuen Studie.
„Eiskeimbildung ist eine der größten unbekannten Größen in Wettervorhersagemodellen“, sagte Debenedetti. „Das ist ein ganz erheblicher Fortschritt, denn wir sehen eine sehr gute Übereinstimmung mit Experimenten. Wir konnten sehr große Systeme simulieren, was für Quantenberechnungen bisher undenkbar war.“
Gegenwärtig erhalten Klimamodelle Schätzungen darüber, wie schnell Eiskeime entstehen, hauptsächlich aus Beobachtungen, die in Laborexperimenten gemacht wurden, aber diese Korrelationen sind beschreibend, nicht vorhersagend und gelten für einen begrenzten Bereich von experimentellen Bedingungen. Im Gegensatz dazu können molekulare Simulationen des in dieser Studie durchgeführten Typs Simulationen erzeugen, die zukünftige Situationen vorhersagen, und können die Eisbildung unter extremen Temperatur- und Druckbedingungen, wie auf anderen Planeten, abschätzen.
„Die in unserer Studie verwendete Deep-Potential-Methodik wird dazu beitragen, das Versprechen der Ab-initio-Molekulardynamik zu verwirklichen, wertvolle Vorhersagen über komplexe Phänomene wie chemische Reaktionen und das Design neuer Materialien zu erstellen“, sagte Athanassios Panagiotopoulos, Susan Dod Brown-Professor für Chemie und Bioingenieurwesen und Co-Autor der Studie.
„Die Tatsache, dass wir sehr komplexe Phänomene anhand der grundlegenden Naturgesetze untersuchen, finde ich sehr spannend“, sagte Piaggi, der Erstautor der Studie und Postdoktorand in Chemie in Princeton. Piaggi erwarb seinen Ph.D. Zusammenarbeit mit Parrinello an der Entwicklung neuer Techniken zur Untersuchung seltener Ereignisse wie Keimbildung mithilfe von Computersimulationen. Seltene Ereignisse finden über Zeitskalen statt, die länger sind als die Simulationszeiten, die sich selbst mit Hilfe von KI leisten können, und es sind spezielle Techniken erforderlich, um sie zu beschleunigen.
Jack Weis, ein Doktorand in Chemie- und Bioingenieurwesen, trug dazu bei, die Wahrscheinlichkeit der Beobachtung der Keimbildung zu erhöhen, indem er winzige Eiskristalle in die Simulation „säte“. „Das Ziel des Impfens ist es, die Wahrscheinlichkeit zu erhöhen, dass Wasser während der Simulation Eiskristalle bildet, sodass wir die Nukleationsrate messen können“, sagte Weis, der von Debenedetti und Panagiotopoulos beraten wird.
Wassermoleküle bestehen aus zwei Wasserstoffatomen und einem Sauerstoffatom. Die Elektronen um jedes Atom bestimmen, wie sich Atome miteinander verbinden können, um Moleküle zu bilden.
„Wir beginnen mit der Gleichung, die beschreibt, wie sich Elektronen verhalten“, sagte Piaggi. „Elektronen bestimmen, wie Atome interagieren, wie sie chemische Bindungen eingehen und praktisch die gesamte Chemie.“
Die Atome können buchstäblich in Millionen verschiedener Anordnungen existieren, sagte Car, der Direktor der Chemie in Lösung und an Grenzflächen Center, das vom Office of Science des US-Energieministeriums finanziert wird und regionale Universitäten umfasst.
„Das Wunderbare ist, dass die Maschine aufgrund einiger physikalischer Prinzipien in der Lage ist, das, was in einer relativ kleinen Anzahl von Konfigurationen einer kleinen Ansammlung von Atomen passiert, auf die unzähligen Anordnungen eines viel größeren Systems zu extrapolieren“, sagte Car.
Obwohl KI-Ansätze seit einigen Jahren verfügbar sind, seien Forscher vorsichtig gewesen, sie auf Berechnungen physikalischer Systeme anzuwenden, sagte Piaggi. „Als Algorithmen für maschinelles Lernen populär wurden, war ein großer Teil der wissenschaftlichen Gemeinschaft skeptisch, weil diese Algorithmen eine Black Box sind. Algorithmen für maschinelles Lernen wissen nichts über die Physik, also warum sollten wir sie verwenden?“
In den letzten Jahren hat sich diese Einstellung jedoch erheblich geändert, sagte Piaggi, nicht nur, weil die Algorithmen funktionieren, sondern auch, weil Forscher ihr Wissen über Physik nutzen, um die Modelle für maschinelles Lernen zu informieren.
Für Car ist es befriedigend zu sehen, dass die vor drei Jahrzehnten begonnene Arbeit Früchte trägt. „Die Entwicklung kam über etwas, das in einem anderen Bereich entwickelt wurde, dem der Datenwissenschaft und der angewandten Mathematik“, sagte Car. „Diese Art der gegenseitigen Interaktion zwischen verschiedenen Bereichen ist sehr wichtig.“
Die Studie „Homogeneous ice nucleation in an ab initio machine learning model of water“ von Pablo M. Piaggi, Jack Weis, Athanassios Z. Panagiotopoulos, Pablo G. Debenedetti und Roberto Car wurde in der Zeitschrift veröffentlicht Proceedings of the National Academy of Sciences in der Woche vom 08.08.2022.
Homogene Eisnukleation in einem Ab-initio-Machine-Learning-Modell von Wasser, Proceedings of the National Academy of Sciences (2022). DOI: 10.1073/pnas.2207294119.