Die Quanteneigenschaften von Atomen prägen zahllose biochemische und physikalische Prozesse. Zahlreiche wissenschaftliche Herausforderungen sind an das Verständnis vieler interagierender Atome über die Zeit geknüpft. Diese Wechselwirkungen unterliegen den Gesetzen der Quantenmechanik. Beispiele reichen unter anderem von der Strukturbildung von Nukleinsäuren im Erbgut, bis zum Abbau schädlicher Moleküle in der Atmosphäre.
Eine besondere Herausforderung solcher Quantensysteme sind ihre Korrelationen in Raum und Zeit: Ihre interessantesten Eigenschaften resultieren nicht aus der Aufaddierung der Beiträge einzelner Atome, sondern aus vielfältigen atomaren Korrelationen. Im Ergebnis können Quantensysteme nicht problemlos mathematisch modelliert werden. Eine direkte Modellierung der komplizierten Korrelationen würde vorhandene Rechenkapazitäten sprengen. Ein internationales Team von Wissenschaftler*innen des Berlin Institute for the Foundations of Learning and Data (BIFOLD) an der TU Berlin, der Université du Luxembourg und Google hat nun erfolgreich einen maschinellen Lernalgorithmus entwickelt, um genau dieses Problem zu lösen.
Der entwickelte Lernalgorithmus rekonstruiert sogenannte globale Kraftfelder auf Grundlage von Methoden des maschinellen Lernens (ML), ohne unzulässige Vereinfachungen vorzunehmen. Der Begriff globale Kraftfelder umschreibt in diesem Kontext, den Ansatz sämtliche atomaren Wechselwirkungen (wie zum Beispiel elektrostatische, chemische, etc.) in einem Molekül zu betrachten, im Gegensatz zu der ansonsten gängigen Praxis, die Anzahl der modellierten atomaren Interaktionen aus Gründen der Berechenbarkeit zu reduzieren.
Stefan Chmiela, Valentin Vassilev-Galindo, Oliver T. Unke, Adil Kabylda, Huziel E. Sauceda, Alexandre Tkatchenko and Klaus-Robert Müller:
"Accurate global machine learning force fields for molecules with hundreds of atoms", Science Advances, 9(2), 2023, eadf0873
DOI: 10.1126/sciadv.adf0873
Einrichtung | Nachwuchsgruppe Stefan Chmiela |
---|