Realitní a přesný

Kvantové vlastnosti atomů ovlivňují nespočet biochemických a fyzikálních procesů. Mnoho vědeckých výzev je spojeno s pochopením interakcí mnoha atomů v průběhu času. Tyto interakce podléhají zákonům kvantové mechaniky. Příklady sahají od tvorby struktury nukleových kyselin v genetickém materiálu až po rozklad škodlivých molekul v atmosféře.

Speciální výzvou takových kvantových systémů jsou jejich korelace v prostoru a čase: jejich nejzajímavější vlastnosti nevznikají součtem příspěvků jednotlivých atomů, ale z různorodých atomových korelací. Výsledkem je, že kvantové systémy nelze snadno matematicky modelovat. Přímé modelování složitých korelací by překročilo dostupné výpočetní kapacity. Mezinárodní tým vědců z Berlínského institutu pro základy učení a dat (BIFOLD) na TU Berlín, Univerzity v Lucemburku a Google úspěšně vyvinul algoritmus strojového učení, který tento problém řeší.

Vyvinutý algoritmus strojového učení rekonstruuje takzvaná globální pole sil na základě metod strojového učení (ML), aniž by prováděl nepřijatelné zjednodušení. Termín globální pole sil v tomto kontextu označuje přístup, při němž se všechny atomové interakce (například elektrostatické, chemické atd.) v molekule zkoumají najednou, na rozdíl od běžné praxe, kdy se počet modelovaných atomových interakcí snižuje z důvodů výpočetní náročnosti.

Více než součet částí

"Kvantové stavy elementárních částic jsou neoddělitelně propojené a jednotlivé složky nemohou jednat samostatně, aniž by ovlivnily celý systém," vysvětluje Dr. Alexandre Tkatchenko, profesor teoretické chemické fyziky na Univerzitě v Lucemburku. Tato vlastnost je jedním z nejvýznamnějších rozdílů mezi kvantovou mechanikou a klasickými Newtonovskými a elektrostatickými interakcemi, které jsou intuitivně známé z každodenního života. Představuje také dilema při modelování kvantových systémů: všudypřítomným paradigmatem při vývoji algoritmů a důležitým stavebním kamenem v modelování atomových interakcí je rozdělení problému na menší, nezávislé části, aby se snížila výpočetní zátěž. U kvantových systémů to však z výše uvedených vlastností není možné.

Globální pole sil, schopná zachytit kolektivní interakce mnoha atomů v molekulárních systémech, lze pomocí metod strojového učení v současnosti škálovat pouze do několika desítek atomů, protože složitost modelu výrazně roste s velikostí zkoumaného systému. Přesně tuto výzvu se tým pustil a vyvinul algoritmus, který umožňuje trénovat globální pole sil pro systémy s až několika sty atomy, aniž by ignoroval složité korelace. Jejich přístup rozděluje silně propojené atomové interakce uvnitř modelu pečlivě na tzv. kolektivní nízkodimenzionální část, která obsahuje opakující se vzory interakcí, a na tzv. reziduum, jež popisuje příspěvky individuálních interakcí. Toto rozdělení umožňuje řešit obě složky problému rekonstrukce pole sil nezávisle na sobě. Přitom jsou cíleně zohledněny numerické vlastnosti každé části problému, které jsou způsobeny nevyhnutelnými chybami zaokrouhlení při počítačových výpočtech. Tímto způsobem lze rekonstruovat globální pole sil na základě větších referenčních datových sad, aby bylo možné zobrazit složitější interakce, například v rozsáhlých systémech s mnoha atomy nebo v obzvlášť flexibilních molekulách. "Numerické vlastnosti učících algoritmů často mají větší vliv, než naznačuje jejich matematická formulace, a mohou zkreslit výsledky," říká Dr. Stefan Chmiela, vedoucí skupiny strojového učení pro vícehmotové systémy v BIFOLD.

Efektivita metod určuje jejich využití

Další výhodou vyvinutého řešení je, že lze jej paralelizovat na více počítačích. Odstraňuje algoritmické úzké hrdla a umožňuje efektivní využití moderní paralelní výpočetní techniky, například GPU. "Úspěch algoritmů strojového učení často závisí na tom, jak efektivně jsou prováděny na dostupném výpočetním hardwaru a jak dobře jsou škálovány," vysvětluje Prof. Dr. Klaus-Robert Müller, spolupředseda BIFOLD.

"Tato práce je důležitým krokem k realistickému simulování kvantových systémů s stovkami atomů," říká Dr. Oliver Unke, vědec ve společnosti Google. Výzkumníci již úspěšně provedli dynamické simulace supramolekulárních komplexů na náročných dlouhodobých časových škálách. Podobné simulace jsou rutinně prováděny v farmaceutickém průmyslu k identifikaci sloučenin s určitými vlastnostmi jako potenciálních kandidátů na nové léky. "Metody strojového učení slibují sjednocení přesných kvantověmechanických modelů a efektivních empirických řešení. Mají potenciál urychlit vědecký výzkum v kvantové chemii tím, že nabízejí zcela nové možnosti lepšího pochopení atomových interakcí v složitých fyzikálních systémech," vysvětluje Alexandre Tkatchenko.

Publikace:

Stefan Chmiela, Valentin Vassilev-Galindo, Oliver T. Unke, Adil Kabylda, Huziel E. Sauceda, Alexandre Tkatchenko a Klaus-Robert Müller: "Přesná globální strojově učená pole sil pro molekuly s stovkami atomů", Science Advances, 9(2), 2023, eadf0873
DOI: 10.1126/sciadv.adf0873

Další informace poskytne:
Dr. Stefan Chmiela
BIFOLD
E-mail: stefan@chmiela.com