Onderzoekers van de Universiteit van Luxemburg, Technische Universität Berlijn, en het Fritz Haber Instituut van de Max Planck Society hebben machine learning en kwantummechanica gecombineerd om de dynamiek en atomaire interacties in moleculen te voorspellen. De nieuwe aanpak zorgt voor een mate van precisie en efficiëntie die nog nooit eerder is bereikt.

Moleculaire dynamische simulaties worden gebruikt in de natuur- en materiaalwetenschap om de eigenschappen en het gedrag van verschillende materialen te voorspellen. Vroeger, deze simulaties waren meestal gebaseerd op mechanistische modellen die belangrijke inzichten uit de kwantummechanica niet kunnen integreren. Dit werk is nu gepubliceerd in Natuurcommunicatie verbetert de voorspellingsmogelijkheden van moderne atomistische modellering in de chemie aanzienlijk, biologie, en de materiaalwetenschappen.

Exacte kennis over de moleculaire dynamica van een stof, met andere woorden nauwkeurige kennis van de mogelijke toestanden en interacties van afzonderlijke atomen in een molecuul, stelt ons in staat om niet alleen veel chemische en fysische reacties te begrijpen, maar er ook gebruik van te maken. "Machine learning-technieken hebben het werk in veel disciplines drastisch veranderd, maar tot nu toe, er is weinig gebruik van gemaakt in simulaties van moleculaire dynamica, " zegt Klaus-Robert Müller, Hoogleraar machine learning aan de TU Berlijn. Het probleem:De meeste standaardalgoritmen zijn ontwikkeld met de wetenschap dat de hoeveelheid te verwerken gegevens niet relevant is. "Dit is niet van toepassing, echter, voor nauwkeurige kwantummechanische berekeningen van een molecuul, waarbij elk afzonderlijk datapunt cruciaal is en de individuele berekening voor grotere moleculen enkele weken of zelfs maanden kan duren. De enorme rekenkracht die hiervoor nodig is, heeft ertoe geleid dat nauwkeurige simulaties van de moleculaire dynamica tot op heden niet mogelijk zijn geweest. " legt Alexandre Tkatchenko uit, hoogleraar theoretische chemische fysica aan de Universiteit van Luxemburg.

Het is precies dit probleem dat de onderzoekers nu hebben opgelost door natuurkundige wetten te integreren in machine learning-technieken. "De truc bestaat erin om niet alle mogelijke toestanden van moleculaire dynamica te berekenen met machinale leertechnieken, maar alleen die welke niet het gevolg zijn van bekende natuurkundige wetten of de toepassing van symmetrieoperaties", legt professor Alexandre Tkatchenko uit.

Aan de ene kant, de nieuw ontwikkelde algoritmen gebruiken natuurlijke wiskundige symmetrieën binnen moleculen. Ze herkennen onder meer symmetrieassen die de fysieke kenmerken van het molecuul niet veranderen. Als resultaat, deze datapunten hoeven maar één keer te worden berekend, in plaats van meerdere keren, wat de complexiteit van de berekening aanzienlijk vermindert. Aanvullend, de leertechnieken gebruiken de natuurkundige wet van het behoud van energie.

Door deze innovatieve benadering om de gebruikte machine learning-technieken toe te staan ​​om fysieke wetten te 'incorporeren' voordat ze leren de moleculaire dynamica te berekenen, het onderzoeksteam is erin geslaagd de twee tegenstrijdige aspecten van hoge precisie en gegevensefficiëntie met elkaar te verzoenen. "Deze speciale algoritmen zorgen ervoor dat het proces zich kan concentreren op de complexe problemen van de simulatie, in plaats van computerprestaties te gebruiken voor de reconstructie van triviale relaties tussen gegevenspunten. Als zodanig, dit onderzoek toont het grote potentieel aan van het combineren van AI en chemie of andere natuurwetenschappen", Klaus-Robert Müller zegt:uitleg over het belang van het project.