Szellemszerű távoli hatások nyomában

Az mesterséges intelligencia (MI) alkalmazása a klasszikus tudományterületeken, mint például a kémia, fizika vagy matematika, még nagyrészt újszerű területnek számít: a Berlin Learning and Data Alapítványi Intézet (BIFOLD) kutatói a berlini TU-val együttműködve most sikerült kifejleszteniük egy olyan algoritmust, amely kvantummechanikai adatok alapján nagy pontossággal és hatékonysággal képes előre jelezni a molekulák potenciális energiastátusát.

Ez különösen az anyagtudósok számára nyithat új lehetőségeket. A „SpookyNet: Learning Force Fields with Electronic Degrees of Freedom and Nonlocal Effects” című tanulmány most jelent meg a Nature Communications folyóiratban.

„A kvantummechanika többek között egy molekula kémiai és fizikai tulajdonságaival foglalkozik a részecskék térbeli elrendezése alapján. Egy kémiai reakció viszont sok molekula kölcsönhatásán alapul, és többdimenziós folyamatnak számít” – magyarázza a BIFOLD társigazgatója, Prof. Dr. Klaus-Robert Müller. Egy kémiai reakció lépéseinek molekuláris vagy akár atom szintű előrejelzése és modellezése régóta vágyott álom sok anyagtudós számára. A molekulák reakcióképességében döntő szerepet játszik az úgynevezett potenciál hiperfelület. Ez leírja az atomok energiájának függését a molekulában az atommagok geometriai elrendezésétől. A molekulák ultranagy pontosságú potenciál hiperfelületeinek ismerete lehetővé teszi az egyes atomok mozgásának szimulálását, például kémiai reakciók során, hogy jobban megértsük azok dinamikus kvantummechanikai tulajdonságait, és ezáltal pontosabban előre jelezzük a reakciók menetét és eredményét.

„A potenciál hiperfelületet úgy lehet elképzelni, mint egy hegyekkel és völgyekkel teli tájat. Ahogyan egy golyócska gördül ezen a tájon, az atomok mozgását a hegyek és völgyek határozzák meg a potenciál hiperfelületen: ezt molekuláris dinamikának is nevezik” – magyarázza Dr. Oliver Unke, a Google Research berlini kutatója.

Az olyan gépi tanulási alkalmazásokkal ellentétben, ahol az MI-nek gyakran szinte végtelen adatmennyiség áll rendelkezésére, a potenciál hiperfelületek előrejelzéséhez általában csak néhány kvantummechanikai referenciaadat áll rendelkezésre, amelyeket hatalmas számítási kapacitással kell előállítani. „Ez egyrészt drága és időigényes laboratóriumi kísérleteket takaríthat meg, ugyanakkor a számítási igények jelentősek” – mondja Müller.

„Bízunk benne, hogy az általunk kifejlesztett új mélytanulási algoritmus – egy úgynevezett transzformer modell, amely első ízben figyelembe veszi az atomok spinjét és töltését – új eredményekhez vezet a kémia, biológia és anyagtudomány területén, mindezt jelentősen kevesebb számítási kapacitás igénybevételével” – mondja Müller.

Az adatok hatékonyabb felhasználása érdekében az új mélytanulási modell a kutatók szerint a MI-t a jól ismert fizikai törvényekkel kombinálja. Bizonyos potenciál hiperfelületi aspektusokat egyszerű fizikai képletekkel nagyon pontosan le lehet írni. Az új módszer csak azokat a potenciál hiperfelületi részeket tanulja meg, amelyekhez nem áll rendelkezésre egyszerű matematikai leírás. „Nagyon praktikus: a MI-nek csak azt kell megtanulnia, amit a fizikából még nem tudunk” – magyarázza Müller. Ezáltal csökkenthető a számítási kapacitás.

Helymeghatározott ok-okozat kapcsolat

Másik különlegesség, hogy az algoritmus képes nemlokális kölcsönhatásokat is leírni. „Nemlokalitás” ebben az összefüggésben azt jelenti, hogy egy atomon, egy adott geometriai pozícióban bekövetkező változás hatással lehet a molekula távolabbi, más geometriai pozícióban lévő atomjaira is. Az ok-okozati kapcsolat térbeli elkülönítése – Einstein „kísérteties távoli hatásokról” beszélt – miatt ezek a kvantumrendszerek tulajdonságai különösen nehezen tanulhatók meg MI-vel. A kutatók ezt a problémát egy úgynevezett transzformer segítségével oldották meg, amely eredetileg nyelvi és képi feldolgozásra fejlesztették ki. „Egy szövegben egy szó vagy mondat jelentése gyakran erősen függ a kontextustól. A releváns kontextus információ akár egy teljesen más szövegrészben is lehet. Ezért a nyelv is egyfajta nemlokális rendszer” – magyarázza Müller. Egy ilyen transzformer segítségével a tudósok képesek különbséget tenni például egy molekula elektronikus állapota, mint például spin és töltés között. „Ez például fontos lehet napenergia cellák fizikai folyamataiban, ahol egy molekula fényt nyel el, és ezáltal egy másik elektronikus állapotba kerül” – mondja Unke.

Publikáció:
Oliver T. Unke, Stefan Chmiela, Michael Gastegger, Kristof T. Schütt, Huziel E. Sauceda, és Klaus-Robert Müller: „SpookyNet: Learning force fields with electronic degrees of freedom and nonlocal effects”, Nature Communications 12: 7273 (2021)