Realitätsnah und exakt

Właściwości kwantowe atomów kształtują niezliczone procesy biochemiczne i fizyczne. Liczne wyzwania naukowe wiążą się ze zrozumieniem wielu oddziaływań atomowych na przestrzeni czasu. Te interakcje podlegają prawom mechaniki kwantowej. Przykłady obejmują między innymi kształtowanie struktury kwasów nukleinowych w materiale genetycznym oraz rozkład szkodliwych cząsteczek w atmosferze.

Specjalnym wyzwaniem takich systemów kwantowych są ich korelacje w przestrzeni i czasie: ich najbardziej interesujące właściwości wynikają nie z sumowania wkładów poszczególnych atomów, lecz z różnorodnych korelacji atomowych. W efekcie systemy kwantowe nie mogą być łatwo modelowane matematycznie. Bezpośrednie modelowanie skomplikowanych korelacji przekraczałoby dostępne moce obliczeniowe. Międzynarodowy zespół naukowców z Berlin Institute for the Foundations of Learning and Data (BIFOLD) na TU Berlin, Université du Luxembourg oraz Google opracował skuteczny algorytm uczenia maszynowego, aby rozwiązać właśnie ten problem.

Opracowany algorytm uczenia odtwarza tak zwane globalne pola sił na podstawie metod uczenia maszynowego (ML), bez stosowania nieadekwatnych uproszczeń. Termin „globalne pola sił” w tym kontekście oznacza podejście obejmujące wszystkie oddziaływania atomowe (takie jak elektrostatyczne, chemiczne itp.) w cząsteczce, w przeciwieństwie do powszechnej praktyki ograniczania liczby modelowanych oddziaływań atomowych ze względu na możliwości obliczeniowe.

Więcej niż suma części

„Stany kwantowe cząstek elementarnych są ze sobą nierozerwalnie powiązane, a poszczególne składniki nie mogą działać niezależnie, nie wpływając na cały system” – wyjaśnia dr Alexandre Tkatchenko, profesor teoretycznej chemicznej fizyki na Université du Luxembourg. Ta właściwość jest jednym z najbardziej znaczących różnic między mechaniką kwantową a klasycznymi oddziaływaniami Newtona i elektrostatycznymi, które są intuicyjnie znane z codziennego życia. Stanowi ona również dylemat przy modelowaniu systemów kwantowych: powszechnym paradygmatem w rozwoju algorytmów i ważnym elementem w modelowaniu oddziaływań atomowych jest rozkład problemu na mniejsze, niezależne części, aby zmniejszyć obciążenie obliczeniowe. Przy analizie systemów kwantowych nie jest to możliwe ze względu na opisane powyżej właściwości.

Globalne pola sił, które potrafią uchwycić kolektywne oddziaływania wielu atomów w systemach molekularnych, można obecnie skalować jedynie do kilku dziesiątek atomów za pomocą metod uczenia maszynowego, ponieważ złożoność modelu znacznie rośnie wraz z rozmiarem badanego systemu. To właśnie wyzwanie podjęła grupa i opracowała algorytm umożliwiający trenowanie globalnych pól sił dla systemów obejmujących nawet kilka setek atomów, bez pomijania skomplikowanych korelacji. Ich podejście dzieli silnie powiązane oddziaływania atomowe w modelu na tzw. kolektywną, niskowymiarową część, zawierającą powtarzające się wzorce oddziaływań, oraz na tzw. residuum, opisujące wkład poszczególnych oddziaływań. Ta separacja pozwala na niezależne rozwiązanie obu części problemu rekonstrukcji pola sił. Przy tym uwzględniane są właściwości numeryczne każdego podproblemu, wywołane nieuniknionymi błędami zaokrągleń podczas obliczeń komputerowych. W ten sposób można odtwarzać globalne pola sił na podstawie większych zbiorów danych referencyjnych, aby przedstawić bardziej złożone interakcje, takie jak te występujące w dużych systemach z wieloma atomami lub w szczególnie elastycznych cząsteczkach. „Właściwości numeryczne algorytmów uczenia często mają silniejszy wpływ, niż można przypuszczać na podstawie samej matematycznej formuły, i mogą zniekształcać wyniki. Poprawa stabilności numerycznej może mieć dalekosiężny wpływ na zastosowania algorytmów” – mówi dr Stefan Chmiela, kierownik grupy Uczenie Maszynowe dla Układów Wieloatomowych w BIFOLD.

Efektywność metod decyduje o ich zastosowaniu

Kolejną zaletą opracowanego rozwiązania jest to, że można je równolegle uruchamiać na wielu komputerach. Usuwa to wąskie gardła algorytmiczne i umożliwia efektywne korzystanie z nowoczesnego sprzętu obliczeniowego, takiego jak GPU. „Sukces algorytmów uczenia maszynowego często zależy od tego, jak efektywnie można je uruchamiać i skalować na dostępnych systemach komputerowych” – wyjaśnia prof. dr Klaus-Robert Müller, współdyrektor BIFOLD.

„Ta praca jest ważnym krokiem w kierunku realistycznych symulacji kwantowych systemów liczących setki atomów” – mówi dr Oliver Unke, naukowiec z Google. Naukowcy z powodzeniem przeprowadzili już symulacje dynamiki kompleksów supramolekularnych na wymagających długoterminowych skalach czasowych. Podobne symulacje są rutynowo wykonywane w przemyśle farmaceutycznym, aby identyfikować związki o określonych właściwościach jako potencjalnych kandydatów na nowe leki. „Metody uczenia maszynowego obiecują zbliżenie dokładnych modeli kwantowych i efektywnych rozwiązań empirycznych. Mają potencjał przyspieszenia badań naukowych w chemii kwantowej, oferując zupełnie nowe możliwości lepszego zrozumienia oddziaływań atomowych w skomplikowanych systemach fizycznych” – wyjaśnia Alexandre Tkatchenko.

Publikacja:

Stefan Chmiela, Valentin Vassilev-Galindo, Oliver T. Unke, Adil Kabylda, Huziel E. Sauceda, Alexandre Tkatchenko i Klaus-Robert Müller: „Dokładne globalne pola sił uczenia maszynowego dla cząsteczek z setkami atomów”, Science Advances, 9(2), 2023, eadf0873
DOI: 10.1126/sciadv.adf0873

Więcej informacji udziela:
Dr Stefan Chmiela
BIFOLD
E-mail: stefan@chmiela.com