Ein internationales Team aus Wissenschaftlern der Universität Luxemburg, dem Berlin Institute for the Foundations of Learning and Data (BIFOLD) der TU Berlin und Google hat nun erfolgreich einen maschinellen Lernalgorithmus entwickelt, um große und komplexe Quantensysteme anzugehen. Der Artikel ist erschienen in Wissenschaftliche Fortschritte.
Die Quanteneigenschaften von Atomen prägen unzählige biochemische und physikalische Prozesse. Einige der größten wissenschaftlichen Herausforderungen der Welt hängen grundlegend mit dem Verständnis vieler interagierender Atome im Laufe der Zeit zusammen. Diese Wechselwirkungen unterliegen den Gesetzen der Quantenmechanik. Beispiele reichen von der Bildung von Nukleinsäuren im Genom bis zum Abbau schädlicher Moleküle in der Atmosphäre.
Eine besondere Herausforderung für Wissenschaftler sind die räumlichen und zeitlichen Korrelationen solcher Quantensysteme: Ihre interessantesten Eigenschaften resultieren nicht aus einer einfachen Summierung einzelner Beiträge von Atomen, sondern aus komplizierten atomaren Korrelationen. Infolgedessen können Quantensysteme nicht einfach mathematisch modelliert werden. Insbesondere größere Quantensysteme haben sich bisher dem genauen maschinellen Lernen (ML) entzogen, da sie nicht eindeutig in unabhängige kleine Rechenpakete partitioniert werden können.
Eine direkte Modellierung der komplizierten Zusammenhänge würde die vorhandenen Rechenkapazitäten sprengen.
Realistisch und präzise
Der entwickelte Lernalgorithmus rekonstruiert sogenannte globale Kraftfelder auf Basis maschineller Lernmethoden, ohne dabei möglicherweise unangemessene Vereinfachungen vorzunehmen. Der Begriff „globale Kraftfelder“ beschreibt den Ansatz, alle atomaren Wechselwirkungen (zB elektrostatisch, chemisch etc.) eines Moleküls zu berücksichtigen. Ansonsten ist es gängige Praxis, die Anzahl der modellierten atomaren Wechselwirkungen zugunsten der Recheneffizienz zu reduzieren.
„Quantenzustände sind untrennbar und einzelne Bestandteile können nicht unabhängig agieren, ohne das System als Ganzes zu beeinflussen“, erklärt Prof. Alexandre Tkatchenko, Professor für Theoretische Chemische Physik an der Universität Luxemburg. Diese Eigenschaft markiert einen der umfassendsten Unterschiede zwischen der Quantenmechanik und den klassischen Newtonschen und elektrostatischen Wechselwirkungen, mit denen jeder intuitiv vertraut ist.
Es stellt auch ein Dilemma bei der Modellierung von Quantensystemen dar: Ein allgegenwärtiges Paradigma im algorithmischen Design und ein wichtiger Baustein bei der Modellierung atomarer Wechselwirkungen ist es, ein Problem in kleinere unabhängige Teile zu zerlegen, die für den Computer einfacher zu handhaben sind. Dies ist bei der Betrachtung von Quantensystemen aufgrund der oben genannten Eigenschaften nicht möglich.
Globale Kraftfelder, die in der Lage sind, kollektive Wechselwirkungen vieler Atome in molekularen Systemen zu erfassen, skalieren derzeit mit Methoden des maschinellen Lernens nur bis zu einigen Dutzend Atomen, da die Modellkomplexität mit der Größe des vorliegenden Systems erheblich zunimmt. Das Team ging genau diese Herausforderung an, indem es einen Algorithmus entwickelte, um globale Kraftfelder für Systeme mit bis zu mehreren hundert Atomen zu trainieren, ohne komplexe Korrelationen zu ignorieren.
Ihr Ansatz trennt die stark gekoppelten atomaren Wechselwirkungen innerhalb des Modells sorgfältig in einen sogenannten kollektiven niederdimensionalen Teil, der wiederkehrende Wechselwirkungsmuster enthält, und ein sogenanntes Residuum, das die Beiträge einzelner Wechselwirkungen beschreibt. Diese Trennung ermöglicht, dass beide Bestandteile des Kraftfeld-Rekonstruktionsproblems unabhängig gelöst werden.
Die numerischen Eigenschaften jedes Teilproblems, die durch unvermeidbare Rundungsfehler bei Computerberechnungen entstehen, werden speziell berücksichtigt. Dadurch können globale Kraftfelder auf Basis größerer Referenzdatensätze rekonstruiert werden, um komplexere Wechselwirkungen darzustellen, wie sie in Systemen mit vielen Atomen oder in besonders flexiblen Molekülen auftreten.
„Die numerischen Eigenschaften von maschinellen Lernalgorithmen wirken sich oft stärker aus, als es die mathematische Formulierung vermuten lässt, und verfälschen dadurch möglicherweise die Ergebnisse. Verbesserungen der numerischen Stabilität können weitreichende Auswirkungen auf die Anwendung von Algorithmen haben“, sagt Dr. Stefan Chmiela, Forschung Gruppenleiterin der Gruppe Machine Learning for Many-body Systems in BIFOLD.
Dass das entwickelte Verfahren über mehrere Rechner hinweg parallelisiert werden kann, ist ein sekundärer Vorteil. Es beseitigt algorithmische Engpässe und ermöglicht die effektive Nutzung moderner Parallel-Computing-Hardware wie GPUs. „Der Erfolg von Algorithmen für maschinelles Lernen wird oft davon bestimmt, wie effizient sie auf verfügbarer Hardware ausgeführt und skaliert werden können“, erklärt Prof. Dr. Klaus-Robert Müller, Co-Direktor von BIFOLD.
„Diese Arbeit ist ein Sprungbrett, um wirklich prädiktive Quantensimulationen von Systemen mit Hunderten von Atomen zu ermöglichen“, sagt Oliver Unke, Forschungswissenschaftler bei Google. Die Wissenschaftler führten bereits erfolgreich Dynamiksimulationen von supramolekularen Komplexen auf herausfordernden langen Zeitskalen durch. Ähnliche Simulationen werden routinemäßig in der pharmazeutischen Industrie durchgeführt, um Verbindungen mit spezifischen Eigenschaften als potenzielle neue Arzneimittelkandidaten zu identifizieren.
„Maschinelle Lernmethoden versprechen eine Konvergenz zwischen exakten quantenmechanischen Modellen und effizienten empirischen Lösungen. Sie haben das Potenzial, die wissenschaftliche Forschung in der Quantenchemie zu beschleunigen, indem sie völlig neue Möglichkeiten bieten, atomare Wechselwirkungen in komplizierten physikalischen Systemen besser zu verstehen“, erklärt Alexandre Tkatchenko.
Mehr Informationen:
Stefan Chmiela et al, Genaue globale Kraftfelder für maschinelles Lernen für Moleküle mit Hunderten von Atomen, Wissenschaftliche Fortschritte (2023). DOI: 10.1126/sciadv.adf0873