Avec les méthodes conventionnelles, il est extrêmement long de calculer l’empreinte spectrale de molécules plus grosses. Mais c’est une condition préalable pour interpréter correctement les données obtenues expérimentalement. Maintenant, une équipe de HZB a obtenu de très bons résultats en beaucoup moins de temps en utilisant des réseaux de neurones graphiques auto-apprenants.
« Les macromolécules, mais aussi les points quantiques, qui se composent souvent de milliers d’atomes, peuvent difficilement être calculés à l’avance à l’aide de méthodes conventionnelles telles que la DFT », explique le PD Dr Annika Bande au HZB. Avec son équipe, elle a étudié comment le temps de calcul peut être raccourci en utilisant des méthodes issues de l’intelligence artificielle.
L’idée : un « réseau neuronal graphique » informatique ou GNN reçoit de petites molécules en entrée avec pour tâche de déterminer leurs réponses spectrales. Dans l’étape suivante, le programme GNN compare les spectres calculés avec les spectres cibles connus (DFT ou expérimental) et corrige le chemin de calcul en conséquence. Tour après tour, le résultat devient meilleur. Le programme GNN apprend ainsi par lui-même à calculer des spectres de manière fiable à l’aide de spectres connus.
« Nous avons formé cinq GNN plus récents et avons constaté que d’énormes améliorations peuvent être réalisées avec l’un d’entre eux, le modèle SchNet : la précision augmente de 20 % et cela se fait en une fraction du temps de calcul », explique le premier auteur Kanishka Singh. Singh participe à l’école doctorale HEIBRiDS et est supervisé par deux experts d’horizons différents : l’expert en informatique Prof. Ulf Leser de l’Université Humboldt de Berlin et la chimiste théoricienne Annika Bande.
« Les cadres GNN récemment développés pourraient faire encore mieux », dit-elle. « Et la demande est très forte. Nous souhaitons donc renforcer cet axe de recherche et prévoyons de lui créer un nouveau postdoctorat dès l’été dans le cadre du projet Helmholtz ‘eXplainable Artificial Intelligence for X-ray Absorption Spectroscopy.' »
La recherche a été publiée dans le Journal de théorie chimique et de calcul.
Kanishka Singh et al, Graph Neural Networks for Learning Molecular Excitation Spectra, Journal de théorie chimique et de calcul (2022). DOI : 10.1021/acs.jctc.2c00255