Algoritmen leren fysica

Een internationaal team van wetenschappers van de Technische Universiteit Berlijn, het Fritz-Haber-Instituut van de Max-Planck-Gesellschaft en de Universiteit Luxemburg is er nu in geslaagd om Machine Learning en Quantummechanica zo te combineren dat ze de dynamiek en de atomaire interacties in moleculen met een tot nu toe onbekende precisie en efficiëntie kunnen voorspellen. Moleculardynamische simulaties vormen de basis voor veel modellen in de natuur- en materiaalwetenschappen. Hun voorspellende kracht is echter altijd slechts zo goed als de precisie van de onderliggende interatomaire interacties, die worden beschreven in de vorm van potentialen. Klassieke potentialen bouwen op mechanistische modellen die belangrijke kwantumeffecten niet kunnen vastleggen. Het nu gepubliceerde werk levert nieuwe inzichten over het complexe dynamische gedrag van moleculen. Deze ontwikkeling belooft de voorspellende kracht van de moderne atomaire modellering in chemie, biologie of ook de materiaalwetenschappen aanzienlijk te verbeteren.

Exacte inzichten over de moleculairdynamiek van een stof, dus uiteindelijk nauwkeurige kennis over de mogelijke toestanden en interacties van de afzonderlijke atomen in dit molecuul, helpen veel chemische en fysische reacties niet alleen te begrijpen, maar ook te benutten. "Machine learning-methoden hebben het werken in veel disciplines drastisch veranderd, maar in moleculardynamische simulaties zijn ze tot nu toe weinig ingezet," aldus Dr. Klaus-Robert Müller, hoogleraar Machine Learning aan de TU Berlijn. Het probleem: de meeste standaardalgoritmen zijn ontwikkeld in de wetenschap dat de hoeveelheid te verwerken data irrelevant is. "Dat geldt echter niet voor nauwkeurige kwantummechanische berekeningen van een molecuul, waarbij elk datapunten cruciaal is en de berekening bij grotere moleculen vele weken of zelfs maanden kan duren. De enorme rekenkracht die daarvoor nodig is, maakte tot nu toe ultranauwkeurige moleculardynamische simulaties onmogelijk," legt Klaus-Robert Müller uit.

Juist deze uitdaging hebben de wetenschappers nu opgelost door fysische wetten te integreren in machine learning-methoden. "De truc bestaat erin om met machine learning niet alle mogelijke toestanden van de moleculairdynamiek te berekenen, maar alleen die die niet af te leiden zijn uit bekende natuurkundige wetten of door toepassing van symmetrie-operaties," aldus Klaus-Robert Müller.

Enerzijds maken de nieuw ontwikkelde algoritmen onder andere gebruik van natuurlijke wiskundige symmetrieën binnen moleculen. Ze herkennen bijvoorbeeld symmetrieassen die de fysische eigenschappen van het molecuul niet veranderen. Zo hoeven deze datapunten slechts eenmaal, in plaats van meerdere keren, te worden berekend, waardoor de complexiteit van de berekening aanzienlijk wordt verminderd. Anderzijds gebruikt de leermethode de natuurwet van behoud van energie en berekent geen molecuultoestanden die volgens deze wet onmogelijk zijn.

Met de innovatieve aanpak dat de gebruikte machine learning-methoden fysische wetten 'betrekken' voordat ze leren de moleculairdynamiek te berekenen, is het het team gelukt om de twee tegenstellingen hoge precisie en datagelijkheid op te heffen.

"Onze aanpak levert de tot nu toe ontbrekende sleutel voor het bereiken van spectroscopische nauwkeurigheid in moleculaire simulaties, die nodig is voor een echt realistische modellering," verklaart Prof. Dr. Alexandre Tkatchenko, leider van de groep 'Theoretisch Chemische Fysica' aan de Universiteit Luxemburg.

"Deze speciale algoritmen maken het mogelijk om de procedure te richten op de moeilijke problemen van de simulatie, in plaats van rekenkracht te gebruiken voor het reconstrueren van triviale relaties tussen datapunten. Daarmee toont dit werk indrukwekkend het hoge potentieel van de combinatie van kunstmatige intelligentie en chemie of ook andere natuurwetenschappen," beschrijft Klaus-Robert Müller.

Het werk werd gefinancierd door de Deutsche Forschungsgemeinschaft, de Europese Raad voor Onderzoek en de Koreaanse Nationale Onderzoeksstichting. Een deel van dit onderzoek werd uitgevoerd terwijl de auteurs het Instituut voor Reine en Toegepaste Wiskunde IPAM aan de University of California, Los Angeles (UCLA) bezochten, dat wordt ondersteund door de National Science Foundation.