Algorytmy uczą się fizyki

Międzynarodowy zespół naukowców z Technische Universität Berlin, Fritz-Haber-Institut der Max-Planck-Gesellschaft oraz Uniwersytetu Luksemburgskiego zdołał połączyć uczenie maszynowe i mechanikę kwantową w taki sposób, aby przewidywać dynamikę i interakcje atomowe w molekułach z dotąd niespotykaną precyzją i wydajnością. Symulacje dynamiki molekularnej stanowią podstawę dla wielu modeli w naukach przyrodniczych i materiałoznawstwie. Ich siła predykcyjna jest jednak tak dobra, jak precyzja podstawowych oddziaływań międzyatomowych, które są opisywane w formie potencjałów. Klasyczne potencjały opierają się na mechanistycznych modelach, które nie uwzględniają ważnych efektów kwantowych. Opublikowana obecnie praca dostarcza nowych wniosków na temat złożonego dynamicznego zachowania molekuł. Ten rozwój obiecuje znaczne poprawienie możliwości przewidywania w nowoczesnej modelowaniu atomowym w chemii, biologii czy też naukach materiałowych.

Dokładne poznanie dynamiki molekuły, czyli ostatecznie precyzyjna wiedza o możliwych stanach i interakcjach poszczególnych atomów w tym molekule, pomaga nie tylko zrozumieć wiele reakcji chemicznych i fizycznych, ale także je wykorzystać. „Metody uczenia maszynowego diametralnie zmieniły pracę w wielu dyscyplinach, ale w symulacjach dynamiki molekularnej jak dotąd były rzadko stosowane”, wyjaśnia dr Klaus-Robert Müller, profesor uczenia maszynowego na TU Berlin. Problem polega na tym, że większość standardowych algorytmów została opracowana z myślą o tym, że ilość danych do przetworzenia jest nieistotna. „Tego jednak nie można powiedzieć o dokładnych obliczeniach kwantowo-mechanicznych molekuły, w których każdy punkt danych jest kluczowy, a obliczenia dla większych molekuł mogą trwać tygodnie lub nawet miesiące. Ogromna moc obliczeniowa potrzebna do tego sprawiła, że ultrawysoka precyzja symulacji dynamiki molekularnej była dotąd niemożliwa”, wyjaśnia Klaus-Robert Müller.

Dokładnie to wyzwanie podjęli naukowcy, integrując prawa fizyki z metodami uczenia maszynowego. „Sztuczka polega na tym, aby nie obliczać wszystkich potencjalnych stanów dynamiki molekularnej, lecz tylko tych, które nie wynikają z znanych praw fizyki lub zastosowania operacji symetrii”, tłumaczy Klaus-Robert Müller.

Z jednej strony nowo opracowane algorytmy wykorzystują naturalne symetrie matematyczne występujące w molekułach. Rozpoznają na przykład osie symetrii, które nie zmieniają właściwości fizycznych molekuły. Dzięki temu te punkty danych muszą być obliczane tylko raz, zamiast wielokrotnie, co znacznie zmniejsza złożoność obliczeń. Z drugiej strony, metoda uczenia korzysta z prawa zachowania energii i nie oblicza stanów molekularnych, które są niemożliwe do zaistnienia zgodnie z tym prawem.

Innowacyjne podejście, w którym stosowane metody uczenia maszynowego „uwzględniają” prawa fizyki przed rozpoczęciem nauki przewidywania dynamiki molekularnej, pozwoliło zespołowi połączyć dwa przeciwieństwa: wysoką precyzję i efektywność danych.

„Nasze podejście stanowi brakujący klucz do osiągnięcia spektroskopowej dokładności w symulacjach molekularnych, niezbędnej do naprawdę realistycznego modelowania”, wyjaśnia prof. dr Alexandre Tkatchenko, kierownik grupy „Teoretyczna Chemiczna Fizika” na Uniwersytecie Luksemburskim.

„Te specjalne algorytmy pozwalają skupić się na trudnych problemach symulacji, zamiast wykorzystywać moc obliczeniową na rekonstrukcję trywialnych relacji między punktami danych. Ta praca wyraźnie demonstruje ogromny potencjał połączenia sztucznej inteligencji z chemią czy innymi naukami przyrodniczymi”, opisuje Klaus-Robert Müller.

Praca została sfinansowana przez Niemieckie Centrum Badawcze, Europejską Radę ds. Badań Naukowych oraz Koreańską Narodową Fundację Badawczą. Część tych badań została przeprowadzona podczas pobytu autorów w Instytucie Matematyki Czystej i Stosowanej IPAM na Uniwersytecie Kalifornijskim w Los Angeles (UCLA), które jest wspierane przez Narodową Fundację Nauki.