Algoritmy učí fyziku

Mezinárodní tým vědců z Technické univerzity v Berlíně, Fritz-Haber-Institutu Max-Planck-Gesellschaft a Univerzity v Lucemburku se nyní podařilo zkombinovat strojové učení a kvantovou mechaniku tak, aby mohli předpovídat dynamiku a atomové interakce v molekulách s dosud nevídanou přesností a efektivitou. Molekulárně-dynamické simulace tvoří základ pro mnoho modelů v přírodních a materiálových vědách. Jejich předpovědní schopnosti jsou však vždy jen tak dobré, jako je přesnost základních mezidruhových interakcí, které jsou popsány ve formě potenciálů. Klasické potenciály vycházejí ze mechanistických modelů, které nedokážou zachytit důležité kvantové efekty. Nyní publikovaná práce přináší nové poznatky o složitém dynamickém chování molekul. Tento vývoj slibuje výrazně zlepšit předpovědní schopnosti moderní atomové modelování v chemii, biologii či materiálových vědách.

Přesné poznatky o molekulární dynamice látky, tedy v konečném důsledku přesné znalosti o možných stavech a interakcích jednotlivých atomů v této molekule, pomáhají nejen pochopit, ale i využít mnoho chemických a fyzikálních reakcí. „Strojové učení zásadně změnilo práci v mnoha disciplínách, ale v molekulárně-dynamických simulacích bylo dosud využíváno málo,“ říká Dr. Klaus-Robert Müller, profesor strojového učení na TU Berlín. Problém spočívá v tom, že většina standardních algoritmů byla vyvinuta s vědomím, že množství zpracovávaných dat je irelevantní. „To však neplatí pro přesné kvantově-mechanické výpočty molekul, kde je každý datový bod rozhodující a jednotlivé výpočty u větších molekul mohou trvat týdny či měsíce. Obrovský výpočetní výkon, který je k tomu potřeba, zatím znemožňoval ultraprůkazné molekulárně-dynamické simulace,“ vysvětluje Müller.

Přesně tuto výzvu nyní vědci vyřešili tím, že do strojových učebních metod začlenili fyzikální zákonitosti. „Trik spočívá v tom, že pomocí strojového učení nepočítáme všechny potenciálně možné stavy molekulární dynamiky, ale pouze ty, které nevyplynou z známých fyzikálních zákonitostí nebo symetrických operací,“ vysvětluje Müller.

Na jedné straně nové algoritmy využívají například přirozené matematické symetrie uvnitř molekul. Rozpoznávají například symetrické osy, které nemění fyzikální vlastnosti molekuly. Tímto způsobem je třeba tyto datové body počítat pouze jednou, místo několikrát, což výrazně snižuje složitost výpočtu. Na druhé straně se učební metoda řídí fyzikálním zákonem zachování energie a nepočítá vůbec molekulární stavy, které jsou podle tohoto zákona nemožné.

S inovativním přístupem, kdy strojové učební metody „zahrnují“ fyzikální zákony ještě před tím, než se naučí počítat molekulární dynamiku, se týmu podařilo eliminovat rozpor mezi vysokou přesností a datovou efektivitou.

„Náš přístup představuje klíč, který dosud chyběl k dosažení spektroskopické přesnosti v molekulárních simulacích, což je nezbytné pro skutečně realistické modelování,“ vysvětluje prof. Dr. Alexandre Tkatchenko, vedoucí skupiny „Teoretická chemická fyzika“ na Univerzitě v Lucemburku.

„Tyto speciální algoritmy umožňují soustředit se na složité problémy simulace, místo aby využívaly výpočetní výkon na rekonstrukci triviálních vztahů mezi datovými body. Tímto způsobem tato práce důstojně demonstruje vysoký potenciál kombinace umělé inteligence a chemie či jiných přírodních věd,“ popisuje Müller.

Práce byla financována německým Spolkovým výzkumným úřadem, Evropskou výzkumnou radou a Korejským národním výzkumným fondem. Část výzkumu byla provedena během pobytu autorů v Institutu pro čistou a aplikovanou matematiku IPAM na Kalifornské univerzitě v Los Angeles (UCLA), který je podporován Národní vědeckou nadací.