Det grafiske neurale netværk GNN modtager små molekyler som input med den opgave at bestemme deres spektrale responser. Ved at matche dem med de kendte spektre lærer GNN-programmet at beregne spektre pålideligt. Kredit:K. Singh, A. Bande/HZB
Med konventionelle metoder er det ekstremt tidskrævende at beregne det spektrale fingeraftryk af større molekyler. Men dette er en forudsætning for korrekt fortolkning af eksperimentelt opnåede data. Nu har et team hos HZB opnået meget gode resultater på væsentligt mindre tid ved at bruge selvlærende grafiske neurale netværk.
"Makromolekyler men også kvanteprikker, som ofte består af tusindvis af atomer, kan næppe beregnes på forhånd ved hjælp af konventionelle metoder som DFT," siger PD Dr. Annika Bande ved HZB. Sammen med sit team har hun nu undersøgt, hvordan regnetiden kan forkortes ved at bruge metoder fra kunstig intelligens.
Ideen:et computer "grafisk neuralt netværk" eller GNN modtager små molekyler som input med den opgave at bestemme deres spektrale responser. I næste trin sammenligner GNN-programmet de beregnede spektre med de kendte målspektre (DFT eller eksperimentelle) og korrigerer beregningsvejen i overensstemmelse hermed. Runde efter runde bliver resultatet bedre. GNN-programmet lærer således på egen hånd, hvordan man kan beregne spektre pålideligt ved hjælp af kendte spektre.
"Vi har trænet fem nyere GNN'er og fundet ud af, at der kan opnås enorme forbedringer med en af dem, SchNet-modellen:Nøjagtigheden øges med 20%, og dette gøres på en brøkdel af beregningstiden," siger førsteforfatter Kanishka Singh. Singh deltager i HEIBRiDS forskerskole og vejledes af to eksperter med forskellige baggrunde:datalogiekspert prof. Ulf Leser fra Humboldt University Berlin og teoretisk kemiker Annika Bande.
"Nyligt udviklede GNN-rammer kunne gøre det endnu bedre," siger hun. "Og efterspørgslen er meget stor. Vi ønsker derfor at styrke denne forskningslinje og planlægger at oprette en ny postdoktorstilling til den fra sommer og frem som en del af Helmholtz-projektet 'Forklarlig kunstig intelligens til røntgenabsorptionsspektroskopi'."
Forskningen blev offentliggjort i Journal of Chemical Theory and Computation . + Udforsk yderligere