Forskere studerer interaktioner i molekyler ved hjælp af AI

Forskere fra University of Luxembourg, Technische Universität Berlin, og Fritz Haber Institute of Max Planck Society har kombineret maskinlæring og kvantemekanik for at forudsige dynamikken og atomiske interaktioner i molekyler. Den nye tilgang giver mulighed for en grad af præcision og effektivitet, der aldrig er opnået før.

Molekylær dynamiksimuleringer bruges i natur- og materialevidenskab til at forudsige egenskaber og adfærd for forskellige materialer. I fortiden, disse simuleringer var normalt baseret på mekanistiske modeller, der ikke er i stand til at integrere vigtig indsigt fra kvantemekanikken. Dette værk er nu offentliggjort i Naturkommunikation forbedrer forudsigelsesmulighederne for moderne atomistisk modellering i kemi væsentligt, biologi, og materialevidenskaben.

Nøjagtig viden om et stofs molekylære dynamik, med andre ord præcis viden om mulige tilstande og interaktioner mellem enkelte atomer i et molekyle, sætter os i stand til ikke kun at forstå mange kemiske og fysiske reaktioner, men også at gøre brug af disse. "Maskinlæringsteknikker har dramatisk ændret arbejdet inden for mange discipliner, men indtil nu, Der er kun gjort lidt brug af dem i simuleringer af molekylær dynamik, siger Klaus-Robert Müller, Professor i maskinlæring ved TU Berlin. Problemet:De fleste standardalgoritmer er udviklet med den forståelse, at mængden af ​​data, der skal behandles, er uden relevans. "Dette gælder ikke, imidlertid, til nøjagtige kvantemekaniske beregninger af et molekyle, hvor hvert enkelt datapunkt er afgørende, og den individuelle beregning for større molekyler kan tage flere uger eller endda måneder. De enorme beregningsressourcer, der kræves for at gøre dette, har betydet, at præcise molekylære dynamiksimuleringer hidtil ikke har været mulige, " forklarer Alexandre Tkatchenko, professor i teoretisk kemisk fysik ved University of Luxembourg.

Det er netop dette problem, som forskerne nu har løst ved at integrere fysiske love i maskinlæringsteknikker. "Tricket består i ikke at beregne alle mulige mulige tilstande for molekylær dynamik med maskinlæringsteknikker, men snarere kun dem, der ikke skyldes kendte fysiske love eller anvendelse af symmetrioperationer ", forklarer professor Alexandre Tkatchenko.

På den ene side, de nyudviklede algoritmer bruger naturlige matematiske symmetrier inden for molekyler. Blandt de ting, de genkender, er symmetriaksler, som ikke ændrer molekylets fysiske egenskaber. Som resultat, disse datapunkter behøver kun at blive beregnet én gang, frem for flere gange, hvilket i høj grad reducerer kompleksiteten af ​​beregningen. Derudover læringsteknikkerne bruger den fysiske lov om energibesparelse.

Gennem denne innovative tilgang til at lade de anvendte maskinlæringsteknikker "inkorporere" fysiske love, før de lærer at beregne den molekylære dynamik, det er lykkedes forskerteamet at forene de to modstridende aspekter ved høj præcision og dataeffektivitet. "Disse særlige algoritmer tillader processen at fokusere på de komplekse problemer ved simuleringen, frem for at bruge computerens ydeevne til genopbygning af trivielle relationer mellem datapunkter. Som sådan, denne forskning demonstrerer det store potentiale ved at kombinere AI og kemi eller andre naturvidenskaber ", Klaus-Robert Müller siger, forklarer projektets betydning.