Deep Learning bringt Durchbruch bei der Modellierung von Molekülen

MÜNCHEN (IT BOLTWISE) – Neue Forschung zeigt, wie neuronale Netzwerke zur präzisen Modellierung komplexer molekularer Zustände beitragen können, was potenziell bahnbrechende Anwendungen in der Materialforschung ermöglicht.

Ein internationales Forscherteam, geleitet von Wissenschaftlern des Imperial College London und Google DeepMind, hat mithilfe neuronaler Netzwerke einen neuen Ansatz zur Modellierung der Zustände von Molekülen entwickelt. Diese Methode könnte sich als entscheidend für die Entwicklung neuer Materialien und chemischer Synthesen erweisen, indem sie es ermöglicht, komplexe Molekülzustände genau zu berechnen und zu simulieren.

Die Forschung, die kürzlich in der Zeitschrift „Science“ veröffentlicht wurde, nutzt ein spezielles neuronales Netzwerk namens FermiNet (Fermionic Neural Network). FermiNet war das erste System, das in der Lage war, die Energie von Atomen und Molekülen auf Grundlage fundamentaler physikalischer Prinzipien genau zu berechnen. Dies markiert einen bedeutenden Fortschritt in der Anwendung von Deep Learning auf Quantenmechanik und Computational Chemistry.

Die Forscher konzentrierten sich auf die Analyse von Molekülen in sogenannten „angeregten Zuständen“, bei denen Elektronen durch Energiezufuhr in eine neue, temporäre Konfiguration versetzt werden. Diese Zustände sind besonders wichtig für Technologien wie Solarzellen, LEDs und Halbleiter, aber auch für biologische Prozesse wie die Photosynthese.

Die genaue Modellierung dieser Zustände stellt jedoch eine erhebliche Herausforderung dar, da die Elektronen in einem Molekül quantenmechanischen Gesetzen folgen, die ihre Positionen nur als Wahrscheinlichkeiten und nicht als feste Werte beschreiben. Dies macht die Berechnung der Zustände äußerst komplex und aufwändig.

Dr. David Pfau, leitender Forscher bei Google DeepMind und dem Department of Physics am Imperial College London, erläuterte: „Das Darstellen des Zustands eines Quantensystems ist extrem herausfordernd. Eine Wahrscheinlichkeit muss jeder möglichen Konfiguration der Elektronenpositionen zugewiesen werden. Die Anzahl der möglichen Konfigurationen ist jedoch gigantisch – bei einer Aufteilung in ein Raster mit 100 Punkten in jeder Dimension wäre die Anzahl der möglichen Elektronenkonfigurationen für ein Siliziumatom größer als die Anzahl der Atome im Universum.“

Um dieses Problem zu lösen, entwickelten die Forscher eine neue mathematische Methode und kombinierten sie mit FermiNet, was zu erheblichen Verbesserungen in der Genauigkeit der Modellierung führte. Bei einem komplexen Molekül wie dem Kohlenstoffdimer erzielten sie eine durchschnittliche absolute Abweichung von nur 4 Millielektronenvolt (meV) – fünfmal genauer als frühere Methoden, die eine Abweichung von 20 meV erreichten.

Diese vielversprechenden Ergebnisse könnten die Art und Weise, wie Wissenschaftler mit Molekülen und Materialien arbeiten, grundlegend verändern. „Wir haben unsere Methode an einigen der anspruchsvollsten Systeme in der computergestützten Chemie getestet, bei denen zwei Elektronen gleichzeitig angeregt werden. Wir waren dabei in der Lage, eine Abweichung von etwa 0,1 Elektronenvolt im Vergleich zu den bisher genauesten Berechnungen zu erzielen“, so Dr. Pfau.

Die Forscher hoffen, dass ihre Arbeit von der wissenschaftlichen Gemeinschaft weitergeführt wird, um neue, unerwartete Interaktionen zwischen Materie und Licht zu erforschen. Die Open-Source-Bereitstellung ihrer aktuellen Arbeit soll dies unterstützen und dazu beitragen, weitere Fortschritte in der Materialwissenschaft und Quantenchemie zu ermöglichen.