Algoritmusok tanulnak fizikát

Nemzetközi csapat, a Berlin Műszaki Egyetem, a Max-Planck-Társaság Fritz-Haber-Institutsának és Luxemburgi Egyetemének tudósai közül sikerült olyan módon kombinálniuk a gépi tanulást és a kvantummechanikát, hogy azok a molekulák dinamikáját és atomközi kölcsönhatásait eddig soha nem látott precizitással és hatékonysággal tudják előrejelezni. A molekuláris dinamikus szimulációk alapvető szerepet töltenek be számos természettudományi és anyagtudományi modellben. Előrejelző képességük azonban csak olyan jó, mint a mögöttes atomközi kölcsönhatások pontossága, amelyeket potenciálok formájában írnak le. A klasszikus potenciálok mechanisztikus modelleken alapulnak, amelyek nem képesek fontos kvantumhatásokat megragadni. A most publikált munka új ismereteket nyújt a molekulák komplex dinamikus viselkedéséről. Ez a fejlesztés ígéretesen javítja a modern atommodellezés előrejelző képességét a kémia, biológia vagy akár az anyagtudomány területén.

A molekula dinamikájáról szerzett pontos ismeretek, vagyis végső soron az egyes atomok lehetséges állapotairól és kölcsönhatásairól szerzett pontos tudás nemcsak a kémiai és fizikai reakciók megértésében segít, hanem azok kihasználásában is. „A gépi tanulási módszerek drámai módon megváltoztatták a munka módját sok diszciplinában, de eddig kevésbé alkalmazták a molekuláris dinamikus szimulációkban” – mondta Dr. Klaus-Robert Müller, a berlini Műszaki Egyetem gépi tanulás professzora. A probléma: a legtöbb szabványos algoritmust úgy fejlesztették ki, hogy az adatok mennyisége nem számít. „Ez azonban nem igaz a pontos kvantummechanikai számításokra egy molekuláról, ahol minden egyes adatpont döntő fontosságú, és a számítás egy nagyobb molekula esetében akár hetekig vagy hónapokig is eltarthat. Az ehhez szükséges hatalmas számítási teljesítmény eddig lehetetlenné tette az ultranagy pontosságú molekuláris dinamikus szimulációkat” – magyarázta Müller.

Pontosan ezt a kihívást oldották meg a tudósok most azzal, hogy fizikai törvényeket integráltak a gépi tanulási eljárásokba. „A trükk abban rejlik, hogy a gépi tanulási módszerekkel nem az összes lehetséges molekuláris dinamikai állapotot számoljuk ki, hanem csak azokat, amelyek nem erednek ismert fizikai törvényekből vagy szimmetriaoperációk alkalmazásából” – mondta Müller.

Az egyik, hogy az újonnan kifejlesztett algoritmusok többek között felismerik a molekulákban található természetes matematikai szimmetriákat. Például felismerik azokat a szimmetriatengelyeket, amelyek nem változtatják meg a molekula fizikai tulajdonságait. Így ezeket az adatpontokat csak egyszer kell kiszámítani, nem többször, ezáltal jelentősen csökkentve a számítás összetettségét. Másrészt a tanulási eljárás kihasználja az energia megmaradásának fizikai törvényét, és nem számol molekulák állapotokat, amelyek ennek a törvénynek köszönhetően lehetetlenek.

Az az innovatív megközelítés, hogy a használt gépi tanulási módszerek „beépítik” a fizikai törvényeket, mielőtt megtanulnák a molekuláris dinamikát számítani, lehetővé tette a csapat számára, hogy feloldja a magas precizitás és az adatok hatékonysága közötti ellentétet.

„A mi megközelítésünk adja meg az eddig hiányzó kulcsot a spektroszkópiai pontosság eléréséhez a molekuláris szimulációkban, amelyek valóban a valósághoz közeli modellezéshez szükségesek” – nyilatkozta Prof. Dr. Alexandre Tkatchenko, a Luxemburgi Egyetem „Elméleti Kémiai Fizika” csoportjának vezetője.

„Ezek a speciális algoritmusok lehetővé teszik, hogy a módszert a szimulációk nehéz problémáira összpontosítsuk, ahelyett, hogy számítási kapacitást pazarolnánk triviális összefüggések rekonstruálására az adatok között. Ez a munka lenyűgözően demonstrálja a mesterséges intelligencia és a kémia vagy más természettudományok kombinációjának magas potenciálját” – írta Müller.

A munkát a Német Kutatási Közösség, az Európai Kutatási Tanács és a Koreai Nemzeti Kutatási Alap támogatásával végezték. Egy részét a kutatásnak azzal a céllal végezték, hogy az UCLA Los Angeles-i Kaliforniai Egyetem tiszta és alkalmazott matematika intézetében (IPAM) tartózkodva, amelyet a Nemzeti Tudományos Alap támogat, végzett munkával egészítették ki.