25.05.2022 - Universität Wien

Schnelleres Deep Learning für rechnergestützte Chemie

Vorhersage von Moleküleigenschaften durch Lösen der Schrödinger Gleichung am Supercomputer

Die rechnergestützte Chemie nutzt heute unserem Gehirn nachempfundene künstliche neuronale Netze, um an Supercomputern Moleküle mitsamt ihren Eigenschaften bestimmen zu können. Ein Team um Chemiker Philipp Marquetand und Mathematiker Philipp Grohs von der Universität Wien hat nun eine neue fundamentale Methode vorgestellt, die die Rechenzeiten für diese höchst langwierigen, kostenaufwendigen Rechnungen maßgeblich reduziert. Die Studie erschien jüngst in der Fachzeitschrift "Nature Computational Science".

Die Schrödinger Gleichung beschreibt das quantenmechanische Verhalten von Teilchen eines Moleküls. "Sie mathematisch zu lösen, ist eine unserer grundlegenden Herausforderungen in der rechnergestützten Chemie", sagt Studienautor Philipp Marquetand vom Institut für Theoretische Chemie: "Sobald man die Gleichung für ein bestimmtes Molekül lösen kann, lässt sich daraus im Prinzip jede seiner Eigenschaften beschreiben."

Um möglichst exakte Lösungen für die Schrödinger Gleichung bzw. ihre Wellenfunktion – als große Unbekannte in der Gleichung – für ein Molekül rechnerisch vorherzusagen, nutzen die Forscher künstliche neuronale Netze. Das neuronale Netz lernt und erarbeitet sich immer bessere Vorschläge, bis eine Lösung gefunden wurde, die der Gleichung entspricht. Im Gegensatz zu anderen Ansätzen benötigt das neuronale Netz keine große Sammlung an Beispiellösungen, sondern erarbeitet sich die Lösung allein an Hand der Gleichung. Bisherige Ansätze dieses maschinellen Lernens sind aber nur für sehr einfache Systeme anwendbar – mit erforderlichen Rechenleistungen über mehrere Tage. Bereits kleine Moleküle oder auch die verschiedenen Geometrien von Molekülen sind bereits viel zu komplex, um sie aktuell kosten- und zeitverträglich rechnen zu können.

"In der Studie haben wir versucht, über einen neuen Ansatz des maschinellen Lernens die Schrödinger Gleichung für verschiedene Molekülgeometrien gleichzeitig zu rechnen", so Deep-Learning-Experte Philipp Grohs vom Institut für Mathematik: "Dafür haben wir ein Verfahren aus der Wahrscheinlichkeitstheorie, die sogenannte Monte-Carlo-Simulation, mit unseren neuronalen Netzwerken kombiniert."

Mehr Speed beim Lernen

Dabei nutzte das Team um Chemiker Philipp Marquetand und Mathematiker Philipp Grohs die Erkenntnis, dass das Wissen über 95 Prozent jener Parameter, die ein neuronales Netz für eine bestimmte Geometrie beschreiben, für alle anderen Geometrien ebenfalls gilt. Dieses Wissen kann also über die Geometrien hinweg geteilt werden und spart so Rechenbedarf. Nur fünf Prozent der Parameter ("Netzwerk-Gewichte") sind für eine bestimmte Geometrie spezifisch und müssen separat gerechnet werden. "So konnten wir über unsere Methode sehr exakte Lösungen für die Schrödinger Gleichung und damit zur Bestimmung von Moleküleigenschaften gewinnen, und viel schneller als mit den bisherigen Methoden", so die Forscher.

Die Idee zur Zusammenarbeit zwischen dem Chemiker und dem Mathematiker entstand über die Zusammenarbeit im Forschungsnetzwerk Data Science der Universität Wien, welches Philipp Grohs leitet. Ihren Ansatz möchten die Forschergruppen nun weiterverfolgen, um ihn z.B. auch auf größere Moleküle anwendbar zu machen.

Die Entwicklung neuer chemischer Verbindungen für Medikamente, Halbleiter oder andere Materialien ist im chemischen Experiment häufig sehr zeitintensiv und kostenaufwendig. Um für die neuen Materialien geeignete Moleküle bzw. Moleküleigenschaften zu finden, hilft die rechnergestützte Chemie und ihre Simulationen an Supercomputern. Hat man erfolgsversprechende Verbindungen errechnet, können diese dann wesentlich gezielter im Labor synthetisiert und getestet werden.

Fakten, Hintergründe, Dossiers
  • computergestützte Chemie
  • Deep Learning
  • künstliche neuronal…
Mehr über Universität Wien
  • News

    "Heißes" Graphen zeigt Migration von Kohlenstoffatomen

    Die Wanderung von Kohlenstoffatomen auf der Oberfläche des Nanomaterials Graphen wurde vor Kurzem erstmals gemessen. Obgleich sich die Atome zu schnell bewegen, um sie direkt mit einem Elektronenmikroskop beobachten zu können, konnte ihr Einfluss auf die Stabilität des Materials nun indirek ... mehr

    Chemische Verschmutzung bedroht die Artenvielfalt

    Die Verschmutzung der Umwelt mit Chemikalien bedroht die Artenvielfalt. Die Komplexität dieser Verschmutzung werde von Entscheidungsträger*innen bisher aber unzureichend erfasst – das schreiben internationale Forscher*innen um Gabriel Sigmund von der Universität Wien und Ksenia Groh vom Was ... mehr

    Chemie: Neue Methode eröffnet "grünere" Wirkstoffherstellung

    Die Chemie sucht heute verstärkt nach Wegen, molekulare Verbindungen umweltfreundlich und nachhaltig herzustellen. Ein Team um Chemiker Nuno Maulide von der Universität Wien hat nun eine neue Methode vorgestellt, mit der die Forscher*innen sogenannte Amine – u.a. wichtige und begehrte Verbi ... mehr

  • Videos

    Wenn Chemiker mit Molekülen spielen

    Nuno Maulide und Leticia González von der Uni Wien haben eine neue Reaktion entwickelt, um sogenannte Heterozyklen billiger und umweltfreundlicher herzustellen. mehr

  • q&more Artikel

    Superfood & Alleskönner?

    Egal, ob die Web-Community abnehmen oder sich gesund ernähren will, Chia, das Superfood, ist immer dabei und gilt manchen als „Alleskönner“. Einschlägige Internet-Foren kommunizieren die verschiedensten Rezepte von Chia-Pudding und Chia Fresca, gefolgt von solchen für Muffins und sogar Marm ... mehr

  • Autoren

    Prof. Dr. Susanne Till

    Jg. 1955, ist Universitätslehrerin und seit über 30 Jahren am Department für Ernährungswissenschaften der Universität Wien. Schwerpunkte in der Lehre der promovierten Biologin (Hauptfach Botanik) sind Botanik und Biologie, Gewürze und einheimische Wildpflanzen in der Humanernährung sowie Qu ... mehr