Skip to main content
main-content

05.01.2022 | Materialentwicklung | Im Fokus | Online-Artikel

Materialdesign mit Hilfe Künstlicher Intelligenz

verfasst von: Dieter Beste

4:30 Min. Lesedauer
share
TEILEN
print
DRUCKEN
insite
SUCHEN

KI-Erfolg mit Relevanz auch für die Materialwissenschaften: Ein neuer Deep Learning Algorithmus kann anhand quantenmechanischer Daten den potenziellen Energiezustand von einzelnen Molekülen mit großer Genauigkeit und Effizienz vorhersagen.

Das Wissenschaftsgebiet Chemie teilt sich in die drei Bereiche Anorganische, Organische und Physikalische Chemie, wobei die Physikalische Chemie die Bereiche Thermodynamik, Reaktionskinetik, Elektro- und Fotochemie und Quantenchemie enthält. "Die Quantenchemie behandelt den Aufbau, die Struktur, die chemische Bindung sowie die spektroskopischen Eigenschaften der Atome und Moleküle", ordnet M. Dieter Lechner in seiner "Einführung in die Quantenchemie" ein, und sie befähige dazu, "die Struktur der Atome und die chemische Bindung in Molekülen zu verstehen."

Empfehlung der Redaktion

2021 | OriginalPaper | Buchkapitel

Reaktionskinetik

Die Reaktionskinetik geht der Frage nach, wie schnell eine chemische Reaktion fortschreitet. Die mathematische Formulierung reaktionskinetischer Probleme erfolgt dabei mit Hilfe von Ratengleichungen, d. h. in Form von Differentialgleichungen in …

Nun ist es ein uralter Traum in den Materialwissenschaften, die einzelnen Schritte einer chemischen Reaktion auf Molekülebene oder sogar auf atomarer Ebene vorherzusagen und zu modellieren. Grundlage hierfür ist die Quantenmechanik, denn "Quantenmechanik befasst sich unter anderem mit den chemischen und physikalischen Eigenschaften eines Moleküls auf Basis der räumlichen Anordnung der Atome", erläutert Klaus-Robert Müller, Co-Direktor am Berlin Institute for the Foundations of Learning and Data (BIFOLD) an der TU Berlin. Eine chemische Reaktion wiederum beruhe auf dem Zusammenspiel vieler Moleküle und sei ein multidimensionaler Prozess. In dieser komplexen Gemengelage ist des den Wissenschaftlern in Berlin gelungen, den Werkzeugkasten der Künstlichen Intelligenz mit einem Algorithmus zu erweitern, der anhand von quantenmechanischen Daten den potenziellen Energiezustand von einzelnen Molekülen mit großer Genauigkeit und Effizienz vorhersagen kann. Bei "SpookyNet" handelt es sich um ein tiefes neuronales Netzwerk, das die Wissenschaftler kürzlich in "Nature Communications" vorstellten.

Eine entscheidende Rolle für die Reaktionsfähigkeit von Molekülen spielt die Potentialhyperfläche (potential energy surface, PES), die die Abhängigkeit der Energie der Atome eines Moleküls von der geometrischen Anordnung der Atomkerne beschreibt. Sie ist ein zentrales Element der rechnergestützten Chemie, wie Errol G. Lewars in dem Buchkapitel "The Concept of the Potential Energy Surface" ausführlich darlegt. Die ultragenaue Kenntnis der Potentialhyperflächen von Molekülen erlaubt es, die Bewegung einzelner Atome, etwa während einer chemischen Reaktion, zu simulieren, um deren dynamische quantenmechanische Eigenschaften besser zu verstehen und dadurch Ablauf und Ergebnis von Reaktionen exakt vorherzusagen: "Man kann sich die Potentialhyperfläche wie eine Landschaft mit Bergen und Tälern vorstellen. Ähnlich wie bei einer Murmel, die über eine Miniaturversion dieser Landschaft rollt, wird die Bewegung der Atome durch die Berge und Täler auf der Potentialhyperfläche bestimmt: Man nennt das auch Molekulardynamik", sagt Erstautor der Nature-Communications-Veröffentlichung Oliver Unke, inzwischen Wissenschaftler bei Google Research in Berlin.

Abhilfe im Nadelöhr Rechenleistung

Im Gegensatz zu vielen anderen Anwendungsgebieten des maschinellen Lernens, in denen einer KI häufig nahezu endlose Datenmengen zur Verfügung stehen, seien für die Vorhersage von Potentialhyperflächen typischerweise nur wenige quantenmechanische Referenzdaten vorhanden, so die Berliner Wissenschaftler. Und diese Referenzdaten müssten unter Einsatz von enormer Rechenleistung erzeugt werden: "So kann die exakte mathematische Modellierung molekulardynamischer Eigenschaften zwar einerseits teure und zeitaufwändige Laborexperimente einsparen, benötigt aber im Gegenzug unverhältnismäßig hohe Rechenleistungen. Wir hoffen, dass unser neuartiger Deep Learning Algorithmus – ein sogenanntes Transformer Modell, das erstmals auch Spin und Ladung von Atomen berücksichtigt – zu neuen Erkenntnissen im Bereich der Chemie, Biologie und Materialwissenschaften führen wird – bei deutlich geringerer Rechenleistung", sagt Klaus-Robert Müller.

Um eine besonders hohe Dateneffizienz zu erreichen, kombiniert das neue Deep-Learning-Modell Künstliche Intelligenz mit bekannten physikalischen Gesetzen, mit denen bestimmte Aspekte der Potentialhyperfläche mit einfachen physikalischen Formeln genau beschrieben werden können: So muss die neue Methode nur die Anteile der Potentialhyperfläche erlernen, für die keine einfache mathematische Beschreibung verfügbar ist. "Sehr praktisch: Die KI muss nur das lernen, was man noch nicht aus der Physik weiß", kommentiert Müller, und somit könne Rechenleistung eingespart werden.

Räumliche Trennung von Ursache und Wirkung

Zudem kann der Algorithmus auch nichtlokale Wechselwirkungen beschreiben. Nichtlokalität bedeutet in diesem Zusammenhang, dass eine Veränderung an einem Atom, an einer bestimmten geometrischen Position des Moleküls, Einfluss auf Atome an einer räumlich getrennten geometrischen Molekülposition haben kann. Aufgrund der räumlichen Trennung von Ursache und Wirkung – Albert Einstein sprach von "spukhafter Fernwirkung" – sind diese Eigenschaften von Quantensystemen besonders schwer für eine KI zu lernen. Das Forscherteam löste dieses Problem mit einem sogenannten Transformer, einer Methode, welche ursprünglich für die maschinelle Verarbeitung von Sprache und Texten oder auch Bildern entwickelt wurde. "In einem Text ist die Bedeutung eines Wortes oder Satzes häufig stark vom Kontext abhängig. Dabei kann die relevante Kontext-Information in einem völlig anderen Textabschnitt stehen. In diesem Sinne ist auch Sprache auf eine Art und Weise nichtlokal", erklärt Klaus-Robert Müller. Mit Hilfe eines solchen Transformers können die Wissenschaftler auch verschiedene elektronische Zustände eines Moleküls wie Spin und Ladung unterscheiden. "Das ist zum Beispiel für physikalische Prozesse in Solarzellen relevant, bei denen ein Molekül Licht absorbiert und dadurch in einen anderen elektronischen Zustand versetzt wird", konkretisiert Oliver Unke.

share
TEILEN
print
DRUCKEN

Weiterführende Themen

Die Hintergründe zu diesem Inhalt

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen.