Mit Künstlicher Intelligenz die „Fingerabdrücke“ von Molekülen errechnen

Das Graphische Neuronale Netz GNN erhält als Input kleine Moleküle mit der Aufgabe, deren spektrale Antworten zu ermitteln. Durch Abgleich mit den bekannten Spektren lernt das GNN-Programm, Spektren zuverlässig zu berechnen.

Das Graphische Neuronale Netz GNN erhält als Input kleine Moleküle mit der Aufgabe, deren spektrale Antworten zu ermitteln. Durch Abgleich mit den bekannten Spektren lernt das GNN-Programm, Spektren zuverlässig zu berechnen. © K. Singh, A. Bande/HZB

Mit konventionellen Methoden ist es extrem aufwändig, den spektralen Fingerabdruck von größeren Molekülen zu berechnen. Dies ist aber eine Voraussetzung, um experimentell gewonnene Messdaten korrekt zu interpretieren. Nun hat ein Team am HZB mit selbstlernenden Graphischen Neuronalen Netzen sehr gute Ergebnisse in deutlich kürzerer Zeit erzielt.

„Biomoleküle, große anorganische Moleküle, aber auch Quantenpunkte, die oft aus tausenden von Atomen bestehen, sind mit konventionellen Methoden wie der DFT kaum noch vorab zu berechnen“, sagt PD Dr. Annika Bande, theoretische Chemikerin am HZB. Mit ihrem Team hat sie nun systematisch untersucht, wie sich die Rechenzeit durch den Einsatz von Methoden aus der Künstlichen Intelligenz verkürzen lässt.

Die Idee: Ein Computerprogramm aus der Gruppe der „graphischen neuronalen Netze“ oder GNN erhält als Input kleine Moleküle mit der Aufgabe, deren spektrale Antworten zu ermitteln. Im nächsten Schritt vergleicht das GNN-Programm die errechneten Spektren mit den bekannten Zielspektren (DFT oder experimentell) und korrigiert in der folgenden Runde den Berechnungsweg entsprechend. Runde für Runde wird so das Ergebnis immer besser. Das GNN-Programm lernt also selbstständig mit Hilfe bekannter Spektren, wie sich Spektren zuverlässig berechnen lassen.

„Wir haben fünf neuere GNN trainiert und festgestellt, dass sich mit einem davon, dem SchNet-Modell, enorme Verbesserungen erreichen lassen: Die Genauigkeit steigt um 20 % und dies in einem Bruchteil der Rechenzeit“, sagt Erstautor Kanishka Singh. Singh nimmt an der Graduiertenschule HEIBRiDS teil und wird in diesem Rahmen sowohl von Informatik-Experten Prof. Ulf Leser aus der Humboldt-Universität zu Berlin als auch von Annika Bande betreut.  

„Kürzlich entwickelte GNN-Frameworks könnten sogar noch besser abschneiden“, meint die theoretische Chemikerin. „Und die Nachfrage ist sehr groß. Wir wollen diese Forschungsrichtung daher vertiefen und planen dafür ab Sommer eine neue Postdoc-Stelle im Rahmen des Helmholtz-Projekts "eXplainable Artificial Intelligence for X-ray Absorption Spectroscopy” ein.“

 

Anmerkung:

Die Arbeit entstand im Rahmen der Graduiertenschule HEIBRiDS und wird im Helmholtz-Projekt  "eXplainable Artificial Intelligence for X-ray Absorption Spectroscopy" (XAI-4-XAS) weitergeführt.

Im Kern geht es in diesem Helmholtz-Projekt (mit HEREON, Leitung HZB) darum, die GNN auch auf sehr große Moleküle auszudehnen. Dies soll in Kombination mit der probabilistischen Analyse von Molekülmotiven  erreicht werden. Sie dient dazu, nur den Teil des Konfigurationsphasenraums der Moleküle zu erfassen, der für die genaue Vorhersage von Röntgenspektren erforderlich ist. Die Ergebnisse der Vorhersagen ermöglichen eine rigorose Interpretation von XAS-Experimenten.

arö

  • Link kopieren

Das könnte Sie auch interessieren

  • Durchbruch: Erster Elektronenstrahl im SEALab bringt Beschleunigerphysik voran
    Nachricht
    03.04.2025
    Durchbruch: Erster Elektronenstrahl im SEALab bringt Beschleunigerphysik voran
    Weltweit zum ersten Mal hat das SEALab-Team am HZB in einem supraleitenden Hochfrequenzbeschleuniger (SRF Photoinjektor) einen Elektronenstrahl aus einer Multi-Alkali-Photokathode (Na-K-Sb) erzeugt und auf relativistische Energien beschleunigt. Dies ist ein echter Durchbruch und eröffnet neue Optionen für die Beschleunigerphysik.

     

  • Optische Innovationen für Solarmodule – Was bringt den Ausbau am meisten voran?
    Science Highlight
    28.03.2025
    Optische Innovationen für Solarmodule – Was bringt den Ausbau am meisten voran?
    Im Jahr 2023 erzeugten Photovoltaikanlagen weltweit mehr als 5% der elektrischen Energie und die installierte Leistung verdoppelt sich alle zwei bis drei Jahre. Optische Technologien können die Effizienz von Solarmodulen weiter steigern und neue Einsatzbereiche erschließen, etwa in Form von ästhetisch ansprechenden, farbigen Solarmodulen für Fassaden. Nun geben 27 Fachleute einen umfassenden Überblick über den Stand der Forschung und eine Einschätzung, welche Innovationen besonders zielführend sind. Der Bericht, der auch für Entscheidungsträger*innen in der Forschungsförderung interessant ist, wurde von Prof. Christiane Becker und Dr. Klaus Jäger aus dem HZB koordiniert.
  • Katalyseforschung mit dem Röntgenmikroskop an BESSY II
    Science Highlight
    27.03.2025
    Katalyseforschung mit dem Röntgenmikroskop an BESSY II
    Anders als in der Schule gelernt, verändern sich manche Katalysatoren doch während der Reaktion: So zum Beispiel können bestimmte Elektrokatalysatoren ihre Struktur und Zusammensetzung während der Reaktion verändern, wenn ein elektrisches Feld anliegt. An der Berliner Röntgenquelle BESSY II gibt es mit dem Röntgenmikroskop TXM ein weltweit einzigartiges Instrument, um solche Veränderungen im Detail zu untersuchen. Die Ergebnisse helfen bei der Entwicklung von innovativen Katalysatoren für die unterschiedlichsten Anwendungen. Ein Beispiel wurde neulich in Nature Materials publiziert. Dabei ging es um die Synthese von Ammoniak aus Abfallnitraten.