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. © 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.
- Batterieforschung mit dem HZB-RöntgenmikroskopUm die Kapazität von Lithiumbatterien weiter zu steigern, werden neue Kathodenmaterialien entwickelt. Mehrschichtige lithiumreiche Übergangsmetalloxide (LRTMO) ermöglichen eine besonders hohe Energiedichte. Mit jedem Ladezyklus wird jedoch ihre Kapazität geringer, was mit strukturellen und chemischen Veränderungen zusammenhängt. Mit Röntgenuntersuchungen an BESSY II hat nun ein Team aus chinesischen Forschungseinrichtungen diese Veränderungen erstmals experimentell mit höchster Präzision vermessen: Mit dem einzigartigen Röntgenmikroskop konnten sie morphologische und strukturelle Entwicklungen auf der Nanometerskala beobachten und dabei auch chemische Veränderungen aufklären.
- BESSY II: Neues Verfahren für bessere ThermokunststoffeUmweltfreundliche Thermoplaste aus nachwachsenden Rohstoffen lassen sich nach Gebrauch recyclen. Ihre Belastbarkeit lässt sich verbessern, indem man sie mit anderen Thermoplasten mischt. Um optimale Eigenschaften zu erzielen, kommt es jedoch auf die Grenzflächen in diesen Mischungen an. Ein Team der Technischen Universität Eindhoven in den Niederlanden hat nun an BESSY II untersucht, wie sich mit einem neuen Verfahren aus zwei Grundmaterialien thermoplastische „Blends“ mit hoher Grenzflächenfestigkeit herstellen lassen: Aufnahmen an der neuen Nanostation der IRIS-Beamline zeigten, dass sich dabei nanokristalline Schichten bilden, die die Leistungsfähigkeit des Materials erhöhen.
- Wasserstoff: Durchbruch bei Alkalischen Membran-ElektrolyseurenEinem Team aus Technischer Universität Berlin, Helmholtz-Zentrum Berlin, Institut für Mikrosystemtechnik der Universität Freiburg (IMTEK) und Siemens Energy ist es gelungen, eine hocheffiziente alkalische Membran-Elektrolyse Zelle erstmals im Labormaßstab in Betrieb zu nehmen. Das Besondere: Der Anodenkatalysator besteht dabei aus preisgünstigen Nickelverbindungen und nicht aus begrenzt verfügbaren Edelmetallen. An BESSY II konnte das Team die katalytischen Prozesse durch operando Messungen im Detail darstellen, ein Theorie Team (USA, Singapur) lieferte eine konsistente molekulare Beschreibung. In Freiburg wurden mit einem neuen Beschichtungsverfahren Kleinzellen gebaut und im Betrieb getestet. Die Ergebnisse sind im renommierten Fachjournal Nature Catalysis publiziert.