27.09.2018

Algorithmen mit Physik-Verstand

Quantensimulationen effizienter dank maschinellem Lernen, das physikalische Gesetze einbezieht.

Einem internationalen Team von Wissenschaftlern der Technischen Universität Berlin, des Fritz-Haber-Instituts der Max-Planck-Gesellschaft und der Universität Luxem­burg ist es jetzt gelungen, maschinelles Lernen und Quanten­mechanik so zu kombinieren, dass sie die Dynamik und die atomaren Inter­aktionen in Molekülen mit einer bislang ungekannten Präzision und Effizienz vorhersagen können. Molekular­dynamische Simulationen bilden den Grund­stein für viele Modelle in den Natur- und Material­wissenschaften. Ihre Vor­hersage­kraft ist aber immer nur so gut, wie die Präzision der zugrunde­liegenden inter­atomaren Wechsel­wirkungen, die in Form von Potentialen beschrieben werden. Klassische Potentiale bauen auf mechanistischen Modellen auf, die wichtige Quanten­effekte nicht erfassen können. Die neue Arbeit liefert Erkenntnisse über das komplexe dynamische Verhalten von Molekülen. Diese Entwicklung verspricht, die Vor­hersage­kraft der modernen atomaren Modellierung in Chemie, Biologie oder auch den Material­wissenschaften erheblich zu verbessern.

Abb.: Das neue Verfahren nutzt die räumlichen und zeitlichen Symmetrien der molekularen Dynamik. (Bild: S. Chmiela et al. / Springer Nature)

Exakte Erkenntnisse über die Molekül­dynamik einer Substanz, also letztlich genaue Kenntnisse über die möglichen Zustände und Inter­aktionen der einzelnen Atome in diesem Molekül, helfen viele chemische und physikalische Reaktionen nicht nur zu verstehen, sondern auch zu nutzen. „Maschinelle Lern­verfahren haben das Arbeiten in vielen Disziplinen dramatisch verändert, aber in der molekular­dynamischen Simulation wurden sie bislang wenig eingesetzt“, so Klaus-Robert Müller, Professor für maschinelles Lernen an der TU Berlin. Das Problem: Die meisten Standard-Algorithmen wurden in dem Bewusst­sein entwickelt, dass die Menge der zu verarbeitenden Daten irrelevant ist. „Das gilt aber nicht für akkurate quanten­mechanische Berechnungen eines Moleküls, bei denen jeder einzelne Daten­punkt entscheidend ist und die einzelne Berechnung bei größeren Molekülen viele Wochen oder auch Monate in Anspruch nehmen kann. Die enorme Rechner­leistung, die dafür benötigt wird, machte bislang ultra­präzise molekular­dynamische Simulationen unmöglich“, erläutert Klaus-Robert Müller.

Genau diese Herausforderung haben die Wissenschaftler jetzt gelöst, indem sie physikalische Gesetz­mäßigkeiten in maschinelle Lern­verfahren integriert haben. „Der Trick besteht darin, mit den maschinellen Lern­verfahren nicht alle der potentiell möglichen Zustände der Molekular­dynamik zu berechnen, sondern nur die, die sich nicht aus bekannten physikalischen Gesetz­mäßigkeiten oder der Anwendung von Symmetrie­operationen ergeben“, so Müller.

Zum einen nutzen die neu entwickelten Algorithmen unter anderem natürliche mathematische Symmetrien innerhalb von Molekülen. Sie erkennen zum Beispiel Symmetrie­achsen, die die physikalischen Eigenschaften des Moleküls nicht verändern. So müssen diese Daten­punkte nur einmal anstatt mehrmals berechnet werden und reduzieren damit die Komplexität der Berechnung erheblich. Zum anderen nutzt das Lern­verfahren das physikalische Gesetz der Energie­erhaltung und berechnet erst gar keine Molekül­zustände, die aufgrund dieses Gesetzes unmöglich sind.

Mit dem innovativen Ansatz, dass die verwendeten maschinellen Lern­verfahren physikalische Gesetze „einbeziehen“, bevor sie lernen, die Molekül­dynamik zu berechnen, ist es dem Team gelungen, die beiden Gegen­sätze hohe Präzision und Daten­effizienz aufzuheben.

„Unser Ansatz liefert den bislang fehlenden Schlüssel für das Erreichen spektro­skopischer Genauig­keit in molekularen Simulationen, die für eine wirklich realitäts­nahe Modellierung benötigt wird", erklärt Alexandre Tkatchenko, Leiter der Gruppe „theoretisch chemische Physik" an der Universität Luxemburg.

„Diese speziellen Algorithmen erlauben es, das Verfahren auf die schwierigen Probleme der Simulation zu konzentrieren, anstatt Rechner­leistung für die Rekonstruktion trivialer Beziehungen zwischen Daten­punkten zu nutzen. Damit demonstriert diese Arbeit eindrucks­voll das hohe Potential der Kombination von künstlicher Intelligenz und Chemie oder auch anderen Natur­wissenschaften“, beschreibt Müller.

TU Berlin / DE

Weiterbildung

Weiterbildungen im Bereich Quantentechnologie
TUM INSTITUTE FOR LIFELONG LEARNING

Weiterbildungen im Bereich Quantentechnologie

Vom eintägigen Überblickskurs bis hin zum Deep Dive in die Technologie: für Fach- & Führungskräfte unterschiedlichster Branchen.

Sonderhefte

Physics' Best und Best of
Sonderausgaben

Physics' Best und Best of

Die Sonder­ausgaben präsentieren kompakt und übersichtlich neue Produkt­informationen und ihre Anwendungen und bieten für Nutzer wie Unternehmen ein zusätzliches Forum.

Meist gelesen

Themen