Daten der Natur, Natur der Daten

Künstliche Netze der Chemie

21. September 2020 Machine Learning

Mittels Maschinellem Lernen entwickelte Simulationen tragen heute auch in der Chemie und in den Materialwissenschaften entscheidend dazu bei, ein breites Spektrum von Fragestellungen zu untersuchen. Relevante Prozesse spielen sich dabei auf unterschiedlichsten Längen- und Zeitskalen ab.

2019 hat die DFG mit dem Projekt zur „Entwicklung eines allgemein anwendbaren Machine Learning Potentials mit hochgenauen langreichweitigen elektrostatischen Wechselwirkungen“ eine neue internationale Kooperation zwischen der Schweiz und Deutschland

Auf der kleinsten Längenskala werden in sogenannten Abinitio-Rechnungen atomare Prozesse direkt auf der Grundlage der quantenmechanischen Gesetze untersucht. Für diese Methoden benötigen Wissenschaftler Hochleistungsrechner. Die Herausforderung: Trotz der Entwicklung immer leistungsfähigerer Hardware sind diese Verfahren noch immer auf kleine Systeme mit nur wenigen
Atomen begrenzt. Um auch komplexe Systeme auf atomarer Ebene verstehen zu können, ist die Entwicklung von effizienteren und gleichzeitig zuverlässigen atomistischen Potenzialen unumgänglich – und in den vergangenen Jahren immer mehr in den Fokus der Forschung gerückt. Ein recht
neuer Ansatz ist die Nutzung von Maschinellem Lernen, um die atomaren Wechselwirkungen zu beschreiben. Nach einem Trainingsprozess können solche Algorithmen Computersimulationen um mehrere Größenordnungen beschleunigen, während die quantenmechanische Genauigkeit erhalten bleibt.

2019 hat die DFG mit einem Projekt zur „Entwicklung eines allgemein anwendbaren Machine Learning Potentials mit hochgenauen langreichweitigen elektrostatischen Wechselwirkungen“ eine
neue internationale Kooperation zwischen der Schweiz und Deutschland bewilligt. Im Kern geht es darum, dass neuronale Netze die Kräfte zwischen einzelnen Atomen als Funktion ihrer geometrischen Anordnung erkennen erlernen. „Wir können damit Computersimulationen durchführen, die mit herkömmlichen quantenmechanischen Verfahren nicht möglich wären, weil der Rechenaufwand sogar für Supercomputer zu hoch wäre“, erklärt Jörg Behler von der Universität Göttingen, der die Sachbeihilfe von deutscher Seite betreut. In der Theoretischen Chemie haben Behler und seine Kollegen dem Ansatz, Energieflächen mithilfe Maschinellen Lernens darzustellen,
in den vergangenen Jahren zum Durchbruch verholfen. „Wir brauchen einen analytischen Ausdruck, mit dem wir sehr schnell – noch während der Simulation – Energie und Kräfte als Funktion der Atompositionen bestimmen können“, sagt Behler. „Und hierzu dient uns ein künstliches neuronales
Netz.“

Indem die Wissenschaftler die Energieflächen ableiten, können sie sich beispielsweise Hochdruckphasendiagramme von Materialien anschauen und Eigenschaften erklären: Wie wandelt
sich eine Kristallstruktur in eine andere um, wenn der Druck erhöht wird? Oder wie sehen Fest-Flüssig-Grenzflächen auf atomarer Ebene wirklich aus? „Das Projekt trägt dazu bei, unsere Methode weiterzuentwickeln, um komplexe Systeme auf atomarer Ebene besser zu verstehen“, resümiert Behler.