Spookachtige verreffecten op het spoor

Voorlopig nog grotendeels onbekend terrein is het gebruik van Kunstmatige Intelligentie (KI) in de klassieke wetenschappen zoals scheikunde, natuurkunde of wiskunde: onderzoekers van het Berlin Institute for the Foundation of Learning and Data (BIFOLD) aan de TU Berlin, in samenwerking met Google Research, zijn erin geslaagd een algoritme te ontwikkelen dat op basis van kwantummechanische gegevens het potentiële energietoestand van moleculen met grote nauwkeurigheid en efficiëntie kan voorspellen.

Hiermee zouden vooral voor materiaalwetenschappers geheel nieuwe mogelijkheden ontstaan. Het artikel ‘SpookyNet: Learning Force Fields with Electronic Degrees of Freedom and Nonlocal Effects’ is nu gepubliceerd in Nature Communications.

„Kwantummechanica houdt zich onder andere bezig met de chemische en fysische eigenschappen van een molecuul op basis van de ruimtelijke ordening van hun atomen. Een chemische reactie daarentegen berust op de interactie van vele moleculen en is een multidimensionaal proces“, legt BIFOLD-co-directeur Prof. Dr. Klaus-Robert Müller uit. Het voorspellen en modelleren van de afzonderlijke stappen van een chemische reactie op moleculair niveau of zelfs op atomair niveau is een lang gekoesterde droom van veel materiaalwetenschappers. Een cruciale rol voor de reactievermogen van moleculen speelt de zogenaamde potentiaalhypervlak. Deze beschrijft de afhankelijkheid van de energie van de atomen in een molecuul van de geometrische ordening van de atoomkernen. Het kennen van de ultranauwkeurige potentiaalhypervlakken van moleculen stelt ons in staat de beweging van individuele atomen, bijvoorbeeld tijdens een chemische reactie, te simuleren, om hun dynamische kwantummechanische eigenschappen beter te begrijpen en zo het verloop en resultaat van reacties exact te voorspellen.

„Je kunt je het potentiaalhypervlak voorstellen als een landschap met bergen en valleien. Net zoals een knikker die over een miniatuurversie van dit landschap rolt, wordt de beweging van de atomen bepaald door de bergen en valleien op het potentiaalhypervlak: dit wordt ook wel moleculair dynamica genoemd", legt Dr. Oliver Unke uit, onderzoeker bij Google Research in Berlijn.

In tegenstelling tot veel andere toepassingsgebieden van machine learning, waarin een KI vaak beschikking heeft over vrijwel eindeloze hoeveelheden data, zijn er voor de voorspelling van potentiaalhypervlakken meestal slechts enkele kwantummechanische referentiegegevens beschikbaar, die met enorme rekenkracht gegenereerd moeten worden. „Zo kan de exacte wiskundige modellering van moleculaire dynamische eigenschappen enerzijds dure en tijdrovende laboratoriumexperimenten besparen, maar vereist anderzijds relatief hoge rekenprestaties.

We hopen dat onze nieuwe Deep Learning-algoritme – een zogenaamd Transformer-model dat voor het eerst ook spin en lading van atomen in overweging neemt – zal leiden tot nieuwe inzichten op het gebied van scheikunde, biologie en materiaalwetenschappen – met aanzienlijk minder rekenkracht“, aldus Klaus-Robert Müller.

Om een bijzonder hoge datenefficiëntie te bereiken, combineert het nieuwe Deep Learning-model van de onderzoekers KI met bekende natuurkundige wetten. Bepaalde aspecten van het potentiaalhypervlak kunnen met eenvoudige natuurkundige formules zeer nauwkeurig worden beschreven. De nieuwe methode leert daarom alleen de delen van het potentiaalhypervlak die niet eenvoudig met wiskundige formules kunnen worden beschreven. „Heel praktisch: de KI hoeft alleen te leren wat nog niet uit de fysica bekend is", legt Klaus-Robert Müller uit. Hierdoor kan rekenkracht worden bespaard.

Ruimtelijke scheiding van oorzaak en gevolg

Een ander bijzonderheid is dat het algoritme ook niet-lokale interacties kan beschrijven. „Niet-lokaliteit“ betekent in deze context dat een verandering aan een atoom, op een bepaalde geometrische positie van het molecuul, invloed kan hebben op atomen op een ruimtelijk gescheiden moleculaire positie. Vanwege de ruimtelijke scheiding van oorzaak en gevolg “sprak Albert Einstein van „geestenachtige verre invloeden”“, zijn deze eigenschappen van kwantensystemen bijzonder moeilijk voor een KI om te leren. De onderzoekers losten dit probleem op met een zogenaamd Transformer, een methode die oorspronkelijk is ontwikkeld voor de verwerking van taal en teksten of ook beelden. „In een tekst is de betekenis van een woord of zin vaak sterk afhankelijk van de context. Daarbij kan de relevante contextinformatie in een heel ander tekstgedeelte staan. In die zin is taal ook op een bepaalde manier niet-lokaal", legt Klaus-Robert Müller uit. Met behulp van zo'n Transformer kunnen de wetenschappers ook verschillende elektronische toestanden van een molecuul onderscheiden, zoals spin en lading. „Dat is bijvoorbeeld relevant voor fysische processen in zonnecellen, waarbij een molecuul licht absorbeert en daardoor in een andere elektronische toestand wordt gebracht“, aldus Oliver Unke.

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