DeepMind AI befasst sich mit einer der wertvollsten Chemietechnologien

Ein Team unter der Leitung von Wissenschaftlern der Londoner Firma DeepMind für künstliche Intelligenz hat ein Modell für maschinelles Lernen entwickelt, das die Eigenschaften eines Moleküls vorschlägt, indem es die Verteilung der Elektronen in ihm vorhersagt. Der in der Ausgabe vom 10. Dezember beschriebene Ansatz von Wissenschaft¹Die Eigenschaften einiger Moleküle können mit größerer Genauigkeit berechnet werden als mit aktuellen Techniken.

„Es ist eine Leistung, es so genau zu machen“, sagt Anatole von Lilienfeld, Materialwissenschaftler an der Universität Wien.

Katarzyna Bernal, Computerchemikerin an der Technischen Universität Lodz in Polen, sagt, die Forschungsarbeit sei eine „robuste Arbeit“. Sie fügt hinzu, dass das Modell des maschinellen Lernens noch einen langen Weg vor sich hat, bevor es für Computerchemiker nützlich wird.

Vorhersageeigenschaften

Im Prinzip wird die gesamte Struktur von Materialien und Molekülen durch die Quantenmechanik bestimmt, konkret durch die Schrödinger-Gleichung, die das Verhalten der Wellenfunktionen des Elektrons regelt. Dies sind mathematische Werkzeuge, die die Wahrscheinlichkeit beschreiben, ein bestimmtes Elektron an einem bestimmten Ort im Raum zu finden. Da jedoch alle Elektronen miteinander interagieren, ist die Berechnung der Molekülstruktur oder der Orbitale aus diesen ersten Prinzipien ein rechnerischer Albtraum und kann nur für die einfachsten Moleküle wie Benzol durchgeführt werden, sagt James Kirkpatrick, Physiker bei DeepMind.

Um dieses Problem zu umgehen, haben sich Forscher – von Pharmakologen bis hin zu Batterieingenieuren – deren Arbeit an der Entdeckung oder Entwicklung neuer Moleküle seit Jahrzehnten auf eine Reihe von Techniken namens Dichtefunktionaltheorie (DFT) stützt, um die physikalischen Eigenschaften von Molekülen vorherzusagen. Die Theorie versucht nicht, die einzelnen Elektronen zu modellieren, sondern zielt stattdessen darauf ab, die allgemeine Verteilung der negativen elektrischen Ladung der Elektronen über das Molekül zu berechnen. „Die DFT betrachtet die durchschnittliche Ladungsdichte, weiß also nicht, was die einzelnen Elektronen sind“, sagt Kirkpatrick. Aus dieser Dichte lassen sich dann die meisten Materialeigenschaften leicht berechnen.

Seit ihren Anfängen in den 1960er Jahren hat sich die DFT zu einer der am weitesten verbreiteten Technologien in den physikalischen Wissenschaften entwickelt: eine Untersuchung von Temperieren Sie die NaturDas News-Team stellte 2014 fest, dass Unter den 100 meistzitierten Veröffentlichungen, 12 betrafen die DFT. Moderne Datenbanken zu Materialeigenschaften, wie z Entwurfsmaterial, größtenteils von DFT-Konten.

Aber dieser Ansatz hat Grenzen, und es ist bekannt, dass er für bestimmte Arten von Molekülen falsche Ergebnisse liefert, sogar einige so einfach wie Natriumchlorid. Obwohl DFT-Rechnungen viel effizienter sind als diejenigen, die mit der grundlegenden Quantentheorie beginnen, sind sie immer noch umständlich und erfordern oft Supercomputer. Daher haben theoretische Chemiker in den letzten zehn Jahren zunehmend begonnen, insbesondere mit maschinellem Lernen zu experimentieren Merkmalsstudie Etwa die chemische Reaktion von Stoffen oder deren Fähigkeit, Wärme zu leiten.

perfektes Problem

Das DeepMind-Team hat den vielleicht ehrgeizigsten Versuch unternommen, künstliche Intelligenz einzusetzen, um die Elektronendichte, das Endergebnis von DFT-Berechnungen, zu berechnen. „Es ist sozusagen das perfekte maschinelle Lernproblem: Sie kennen die Antwort, aber nicht die Formel, die Sie anwenden möchten“, sagt Aaron Cohen, ein langjähriger DFT-Theoretiker, der jetzt bei DeepMind arbeitet.

Das Team trainierte ein künstliches neuronales Netz mit Daten von 1.161 exakten Lösungen, die aus den Schrödinger-Gleichungen abgeleitet wurden. Um die Genauigkeit zu verbessern, haben sie auch einige bekannte Gesetze der Physik mit dem Gitter verbunden. Dann testeten sie das trainierte System an einer Gruppe von Molekülen, die oft als Standard für DFT verwendet werden, und die Ergebnisse waren verblüffend, sagt von Lilienfeld. „Das ist das Beste, was die Community finden konnte, und sie haben es knapp übertroffen“, sagt er.

Von Lilienfeld fügt hinzu, dass ein Vorteil des maschinellen Lernens darin besteht, dass das Trainieren von Modellen zwar enorm viel Rechenleistung erfordert, dieser Vorgang jedoch nur einmal durchgeführt werden muss. Auf einem normalen Laptop können dann individuelle Vorhersagen getroffen werden, wodurch Kosten und CO2-Fußabdruck deutlich reduziert werden, anstatt die Berechnungen jedes Mal von Grund auf neu durchführen zu müssen.

Kirkpatrick und Cohen sagen, dass DeepMind ihr geschultes System für jedermann freigibt. Derzeit gilt das Modell hauptsächlich für Moleküle und nicht für Kristallstrukturen von Materialien, aber zukünftige Versionen könnten auch mit Materialien funktionieren, sagen die Autoren.