Forskare från universitetet i Luxemburg, Technische Universität Berlin, och Fritz Haber Institute of Max Planck Society har kombinerat maskininlärning och kvantmekanik för att förutsäga dynamiken och atomiska interaktioner i molekyler. Det nya tillvägagångssättet möjliggör en grad av precision och effektivitet som aldrig har uppnåtts tidigare.

Molekylära dynamiksimuleringar används inom natur- och materialvetenskap för att förutsäga egenskaper och beteende hos olika material. Förr, dessa simuleringar baserades vanligtvis på mekanistiska modeller som inte kan integrera viktiga insikter från kvantmekaniken. Detta arbete publiceras nu i Naturkommunikation förbättrar väsentligt förutsägelsemöjligheterna för modern atomistisk modellering inom kemi, biologi, och materialvetenskaperna.

Exakt kunskap om ett ämnes molekylära dynamik, med andra ord exakt kunskap om möjliga tillstånd och interaktioner mellan enskilda atomer i en molekyl, gör att vi inte bara kan förstå många kemiska och fysiska reaktioner utan också att använda dessa. "Maskininlärningstekniker har dramatiskt förändrat arbetet inom många discipliner, men fram tills nu, har lite använts av dem i molekylära dynamiksimuleringar, "säger Klaus-Robert Müller, Professor i maskininlärning vid TU Berlin. Problemet:De flesta standardalgoritmer har utvecklats med den förståelsen att mängden data som ska behandlas inte är relevant. "Detta gäller inte, dock, för exakta kvantmekaniska beräkningar av en molekyl, där varje datapunkt är avgörande och den individuella beräkningen för större molekyler kan ta flera veckor eller till och med månader. De enorma beräkningsresurser som krävs för att göra detta har inneburit att exakta molekylära dynamiksimuleringar hittills inte har varit möjliga, "förklarar Alexandre Tkatchenko, professor i teoretisk kemisk fysik vid universitetet i Luxemburg.

Det är just detta problem som forskarna nu har löst genom att integrera fysiska lagar i maskininlärningstekniker. "Tricket består i att inte beräkna alla möjliga möjliga tillstånd för molekylär dynamik med maskininlärningstekniker, utan snarare bara de som inte beror på kända fysiska lagar eller tillämpning av symmetrioperationer ", förklarar professor Alexandre Tkatchenko.

Å ena sidan, de nyutvecklade algoritmerna använder naturliga matematiska symmetrier inom molekyler. Bland de saker de känner igen är symmetriaxlar som inte förändrar molekylens fysiska egenskaper. Som ett resultat, dessa datapunkter behöver bara beräknas en gång, snarare än flera gånger, vilket minskar komplexiteten i beräkningen. Dessutom, inlärningsteknikerna använder den fysiska lagen för bevarande av energi.

Genom detta innovativa tillvägagångssätt för att låta maskininlärningstekniker som används för att "införliva" fysiska lagar innan de lär sig beräkna molekylär dynamik, forskargruppen har lyckats förena de två motsägelsefulla aspekterna av hög precision och dataeffektivitet. "Dessa speciella algoritmer tillåter processen att fokusera på de komplexa problemen med simuleringen, snarare än att använda datorprestanda för rekonstruktion av triviala relationer mellan datapunkter. Som sådan, denna forskning visar den stora potentialen att kombinera AI och kemi eller annan naturvetenskap ", Klaus-Robert Müller säger, förklara projektets betydelse.