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.
- Kleine Kraftpakete für ganz besonderes LichtEin internationales Forschungsteam stellt in Nature Communications Physics das Funktionsprinzip einer neuen Quelle für Synchrotronstrahlung vor. Durch Steady-State-Microbunching (SSMB) sollen in Zukunft effiziente und leistungsstarke Strahlungsquellen für kohärente UV-Strahlung möglich werden. Das ist zum Beispiel für Anwendungen in der Grundlagenforschung, aber auch der Halbleiterindustrie sehr interessant.
- Neue Methode zur Absorptionskorrektur für bessere ZahnfüllungenEin Team um Dr. Ioanna Mantouvalou hat eine Methode entwickelt, um die Verteilung von chemischen Elementen in Dentalmaterialien präziser als bisher möglich darzustellen. Die konfokale mikro-Röntgenfluoreszenzanalyse (micro-XRF) liefert dreidimensional aufgelöste Elementbilder, die Verzerrungen enthalten. Sie entstehen, wenn Röntgenstrahlen Materialien unterschiedlicher Dichte und Zusammensetzung durchdringen. Mit Mikro-CT-Daten, die detaillierte 3D-Bilder der Materialstruktur liefern, und chemischen Informationen aus Röntgenabsorptionsspektroskopie (XAS) - Experimenten im Labor (BLiX, TU Berlin) und an der Synchrotronstrahlungsquelle BESSY II haben die Forschenden das Verfahren nun verbessert.
- MXene als Energiespeicher: Chemische Bildgebung blickt nun tieferEine neue Methode in der Spektromikroskopie verbessert die Untersuchung chemischer Reaktionen auf der Nanoskala, sowohl auf Oberflächen als auch im Inneren von Schichtmaterialien. Die Raster-Röntgenmikroskopie (SXM) an der MAXYMUS-Beamline von BESSY II ermöglicht den hochsensitiven Nachweis von chemischen Gruppen, die an der obersten Schicht (Oberfläche) adsorbiert oder in der MXene-Elektrode (Volumen) eingelagert sind. Die Methode wurde von einem HZB-Team unter der Leitung von Dr. Tristan Petit entwickelt. Das Team demonstrierte die Methode nun an MXene-Flocken, einem Material, das als Elektrode in Lithium-Ionen-Batterien eingesetzt wird.