Valósághű és pontos

A kvantumtulajdonságok az atomokban számtalan biokémiai és fizikai folyamatot formálnak. Számos tudományos kihívás kapcsolódik ahhoz, hogy megértsük sok kölcsönhatásban lévő atom működését az idő során. Ezek a kölcsönhatások a kvantummechanika törvényei szerint működnek. Példák között szerepel például a nukleinsavak szerkezetének kialakulása az örökítőanyagban, valamint káros molekulák lebontása a légkörben.

Az ilyen kvantumszámítási rendszerek különleges kihívása a térbeli és időbeli korrelációik: legérdekesebb tulajdonságaik nem az egyes atomok hozzájárulásának összegzéséből erednek, hanem sokféle atomközi korrelációból. Ennek eredményeként a kvantumszámítási rendszerek nem könnyen modellezhetők matematikailag. A bonyolult korrelációk közvetlen modellezése túlmutatna a meglévő számítási kapacitásokon. Egy nemzetközi csapat, a Berlin Institute for the Foundations of Learning and Data (BIFOLD) a TU Berlinről, a Luxembourg-i Egyetemről és a Google-tól sikeresen kifejlesztett egy gépi tanulási algoritmust, hogy pontosan ezt a problémát oldja meg.

A kifejlesztett tanulási algoritmus rekonstruálja az ún. globális erőmezőket gépi tanulási módszerek (ML) segítségével, anélkül, hogy nem megengedhető leegyszerűsítéseket alkalmazna. A globális erőmező fogalma ebben az összefüggésben azt írja le, hogy az összes atom közötti kölcsönhatást (például elektrosztatikus, kémiai stb.) figyelembe vesszük egy molekulában, szemben azzal az általános gyakorlattal, hogy a számítási terhelés csökkentése érdekében a modellezett atomközi kölcsönhatások számát csökkentjük.

Több, mint az összes rész összege

„Az elemi részecskék kvantumállapotai elválaszthatatlanul összekapcsolódnak, és az egyes összetevők nem működhetnek önállóan anélkül, hogy befolyásolnák az egész rendszert”, magyarázza Dr. Alexandre Tkatchenko, a Luxemburg-i Egyetem elméleti kémiai fizika professzora. Ez a tulajdonság az egyik legmélyebb különbség a kvantummechanika és a klasszikus Newton-i és elektrosztatikus kölcsönhatások között, amelyek a mindennapi életből ismertek. Ez egyben egy dilemma is a kvantumszámítási rendszerek modellezésében: egy általánosan alkalmazott paradigma az algoritmusfejlesztésben és az atomközi kölcsönhatások modellezésében az, hogy egy problémát kisebb, független részekre bontunk, hogy csökkentsük a számítási terhelést. Kvantumszámítási rendszerek esetében ez nem lehetséges a fent említett tulajdonságok miatt.

A globális erőmezők, amelyek képesek a sok atom kollektív kölcsönhatásait megragadni molekuláris rendszerekben, jelenleg csak néhány tucatnyi atomig skálázhatók gépi tanulási módszerekkel, mivel a modell összetettsége jelentősen nő a vizsgált rendszer méretével. Ezt a kihívást célozta meg a csapat, és fejlesztett ki egy algoritmust, amellyel globális erőmezőket lehet tanítani rendszerekhez, amelyek több száz atomot tartalmaznak, anélkül, hogy a komplex korrelációkat figyelmen kívül hagynák. A megközelítésük a szorosan összekapcsolt atomközi kölcsönhatásokat gondosan felbontja egy ún. kollektív, alacsony dimenziós részre, amely ismétlődő kölcsönhatási mintákat tartalmaz, és egy ún. reziduumba, amely az egyéni kölcsönhatások hozzájárulásait írja le. Ez a felbontás lehetővé teszi, hogy mindkét részt külön-külön oldjuk meg a erőmező rekonstrukciós problémájában. Figyelembe veszik az egyes részproblémák numerikus tulajdonságait, amelyeket elkerülhetetlen kerekítési hibák okoznak a számítógépes számítás során. Így globális erőmezők rekonstruálhatók nagyobb referenciaadatbázisokra alapozva, hogy összetettebb kölcsönhatásokat ábrázoljanak, például nagy rendszerekben sok atom esetén vagy különösen rugalmas molekulákban. „A tanulási algoritmusok numerikus tulajdonságai gyakran nagyobb hatással vannak, mint amit a matematikai megfogalmazás sejtet, és eredményeket torzíthatnak. A numerikus stabilitás javítása jelentős hatással lehet az algoritmusok alkalmazhatóságára”, mondja Dr. Stefan Chmiela, a BIFOLD Többtest Rendszerek Gépi Tanulási Csoportjának vezetője.

Hatékonyság határozza meg a felhasználást

Az általuk kifejlesztett megoldási módszer további előnye, hogy több számítógépen párhuzamosan futtatható. Megszünteti az algoritmikus szűk keresztmetszeteket, és lehetővé teszi a modern párhuzamos számítási hardverek, például GPU-k hatékony kihasználását. „A gépi tanulási algoritmusok sikere gyakran attól függ, milyen hatékonyan futtathatók a rendelkezésre álló számítógépes hardveren, és hogyan skálázhatók”, magyarázza Prof. Dr. Klaus-Robert Müller, a BIFOLD társigazgatója.

„Ez a munka fontos lépés ahhoz, hogy a kvantumszimulációkat valóban hitelesen tudjuk végrehajtani olyan rendszerek esetében, amelyek több száz atomot tartalmaznak”, mondja Dr. Oliver Unke, a Google tudósa. A kutatók már sikeresen végrehajtottak dinamikus szimulációkat szupermolekuláris komplexekről kihívást jelentő hosszú távú skálákon. Hasonló szimulációkat rutinszerűen végeznek a gyógyszeriparban, hogy olyan vegyületeket azonosítsanak, amelyek speciális tulajdonságokkal rendelkeznek, potenciális új gyógyszerek jelöltjeiként. „A gépi tanulási módszerek ígéretesek abban, hogy összekapcsolják a pontos kvantummechanikai modelleket és a hatékony empirikus megoldásokat. Lehetőséget kínálnak arra, hogy felgyorsítsák a kvantumkémia tudományos kutatását, teljesen új lehetőségeket teremtve az atomközi kölcsönhatások jobb megértésében bonyolult fizikai rendszerekben”, magyarázza Tkatchenko.

Publikáció:

Stefan Chmiela, Valentin Vassilev-Galindo, Oliver T. Unke, Adil Kabylda, Huziel E. Sauceda, Alexandre Tkatchenko és Klaus-Robert Müller: „Pontosan globális gépi tanulási erőmezők molekulákhoz, több száz atommal”, Science Advances, 9(2), 2023, eadf0873
DOI: 10.1126/sciadv.adf0873

További információ:
Dr. Stefan Chmiela
BIFOLD
E-mail: stefan@chmiela.com