Med konventionella metoder är det extremt tidskrävande att beräkna det spektrala fingeravtrycket för större molekyler. Men detta är en förutsättning för att korrekt tolka experimentellt erhållen data. Nu har ett team på HZB uppnått mycket goda resultat på betydligt kortare tid genom att använda självlärande grafiska neurala nätverk.

– Makromolekyler men även kvantprickar, som ofta består av tusentals atomer, kan knappast beräknas i förväg med konventionella metoder som DFT, säger PD Dr Annika Bande vid HZB. Tillsammans med sitt team har hon nu undersökt hur beräkningstiden kan förkortas genom att använda metoder från artificiell intelligens.

Idén:ett dator "grafiskt neuralt nätverk" eller GNN tar emot små molekyler som input med uppgiften att bestämma deras spektrala svar. I nästa steg jämför GNN-programmet de beräknade spektra med de kända målspektra (DFT eller experimentella) och korrigerar beräkningsvägen därefter. Varv efter varv blir resultatet bättre. GNN-programmet lär sig alltså på egen hand hur man beräknar spektra på ett tillförlitligt sätt med hjälp av kända spektra.

"Vi har tränat fem nyare GNN och funnit att enorma förbättringar kan uppnås med en av dem, SchNet-modellen:Noggrannheten ökar med 20% och detta görs på en bråkdel av beräkningstiden", säger första författaren Kanishka Singh. Singh deltar i HEIBRiDS forskarskola och leds av två experter med olika bakgrund:datavetenskapsexperten prof. Ulf Leser från Humboldt University Berlin och teoretiska kemisten Annika Bande.

"Nyligen utvecklade GNN-ramverk skulle kunna göra ännu bättre", säger hon. "Och efterfrågan är mycket stor. Vi vill därför stärka denna forskningslinje och planerar att skapa en ny postdoktor för den från sommaren och framåt som en del av Helmholtz-projektet 'förklarlig artificiell intelligens för röntgenabsorptionsspektroskopi'."

Forskningen publicerades i Journal of Chemical Theory and Computation . + Utforska vidare

Hur kvantprickar kan "prata" med varandra