Kunstmatige intelligentie op de sporen van Schrödinger

Kunstmatige intelligentie (AI) en algoritmes voor machine learning worden tegenwoordig routinematig gebruikt om ons koopgedrag te voorspellen, reisroutes voor te stellen of beelden en gezichten te herkennen. In het onderzoek ontwikkelt AI zich momenteel als een essentieel instrument ter ondersteuning van wetenschappelijke ontdekkingen. Zo wordt AI in de chemie steeds vaker ingezet om de resultaten van experimenten of simulaties te voorspellen. Om dit te bereiken, moet AI in staat zijn om de fundamentele wetten van de natuurkunde systematisch mee te betrekken. Een interdisciplinaire groep wetenschappers van de Universiteit Warwick, de TU Berlin en de Universiteit Luxemburg heeft nu een AI-algoritme ontwikkeld dat onder andere in staat is om op basis van de gewenste chemische eigenschappen van een stof, de daarvoor benodigde structuur te bepalen. Een vaardigheid die vooral bij de ontwikkeling van nieuwe medicijnen en materialen een belangrijke rol zou kunnen spelen.

Het door chemici, natuurkundigen en informatici ontwikkelde algoritme is in staat om de kwantumtoestanden van een molecuul, de zogenaamde golffunctie die alle eigenschappen van dat molecuul bepaalt, te berekenen. Hiervoor moest AI leren om de fundamentele wetten van de natuurkunde te internaliseren en vergelijkingen uit de kwantummechanica - zoals de Schrödinger-vergelijking - op te lossen. De publicatie ‘Unifying machine learning and quantum chemistry with a deep neural network for molecular wavefunction’ is nu verschenen in Nature Communications.

Het oplossen van deze en soortgelijke vergelijkingen op traditionele wijze vereist enorme rekenkracht en vooral ook maanden aan rekentijd. “Hier ligt meestal de knelpunt bij de computationele ontwikkeling van nieuwe, speciaal voor medische en industriële toepassingen ontwikkelde moleculen,” aldus Prof. Dr. Klaus-Robert Müller, hoogleraar machine learning aan de TU Berlin. Het nieuw ontwikkelde algoritme kan daarentegen op een laptop of mobiele telefoon binnen enkele seconden nauwkeurige voorspellingen doen.

“De publicatie is het resultaat van een driedaagse gezamenlijke inspanning en vereiste informaticakennis om een algoritme te ontwikkelen dat flexibel genoeg is om de vorm en het gedrag van golffuncties te vangen, maar ook chemie- en natuurkunde-kennis om kwantumchemische data te verwerken en weer te geven,” aldus Dr. Reinhard Maurer van de afdeling Chemie van de Universiteit Warwick.

Klaus-Robert Müller voegt toe: “Dit interdisciplinaire werk is een belangrijke vooruitgang, omdat het laat zien dat AI-methoden de moeilijkste aspecten van de kwantumchemische simulatie kunnen leren. Dit omvat ook het zogenaamde inverse ontwerp, dat vooral voor de medicijnproductie een langgekoesterde droom is van de farmacie en de chemie.” Van inverse ontwerp spreekt men wanneer men een bepaalde chemische eigenschap van een molecuul opgeeft en op basis daarvan de bijbehorende moleculaire structuur ontwerpt en optimaliseert. Het interdisciplinaire team gaat ervan uit dat AI-methoden zich in de toekomst verder zullen ontwikkelen tot een essentieel onderdeel van de computationele chemie en moleculaire fysica, en dat ze ook het inverse moleculaire ontwerp duurzaam zullen mogelijk maken.

“Dit werk maakt een nieuw niveau van geneesmiddelenontwerp mogelijk, waarbij zowel de elektronische als de structurele eigenschappen van een molecuul kunnen worden samengebracht om de gewenste toepassingseisen te bereiken,” aldus professor Dr. Alexandre Tkatchenko van de afdeling Natuurkunde van de Universiteit Luxemburg.

Publicatie:

“Unifying machine learning and quantum chemistry with a deep neural network for molecular wavefunction” https://www.nature.com/articles/s41467-019-12875-2

Voor meer informatie graag contact opnemen met:

Prof. Dr. Klaus-Robert Müller
TU Berlin
Vakgebied Machine Learning
Tel.: 030 314-78620
E-mail: klaus-robert.mueller@tu-berlin.de