Deepmind-KI berechnet Materialeigenschaften mit Elektronendichte

Deepmind-KI berechnet Materialeigenschaften mit Elektronendichte

Deepmind stellt ein neues KI-System vor, das Materialeigenschaften anhand der Verteilung von Elektronen prognostiziert. Die KI soll eine 50 Jahre alte Methode ersetzen.

Mit Werbeeinnahmen bezahlen wir unsere Redakteur:innen.
Mit einem MIXED-Abo kannst Du unsere Seite werbefrei lesen.

Das Londoner KI-Unternehmen Deepmind stellt ein neues KI-System vor, das die Eigenschaften eines Moleküls einschätzt, indem es die Verteilung der vorhandenen Elektronen vorhersagt. Die KI-Methode ist dabei genauer als bestehende Methoden, heißt es im Fachjournal „Science“ veröffentlichten Artikel.

Einige der größten Herausforderungen des 21. Jahrhunderts erforderten neue Materialien mit spezifischen Eigenschaften, etwa die Erzeugung sauberer Elektrizität oder die Entwicklung von Hochtemperatur-Supraleitern, schreiben die Deepmind-Forschenden.

Um solche Materialien zu finden, benötige es eine genaue Simulation der Elektronen. Deren Verhalten wiederum wird von der Schrödinger-Gleichung beschrieben.

Dichtefunktionaltheorie erlaubt Vorhersage von Materialeigenschaften

Die Wellenfunktion von Elektronen beschreibt das wahrscheinliche Erscheinen eines Elektrons an einer bestimmten Position im Raum. Da jedoch alle Elektronen miteinander interagierten, sei die Berechnung aller Positionen ein rechnerischer Albtraum, so Deepmind-Physiker James Kirkpatrick.

In den 1960er-Jahren realisierten die Physiker Pierre Hohenberg und Walter Kohn jedoch, dass nicht jedes Elektron einzeln nachverfolgt werden muss. Sie bewiesen, dass es stattdessen genügt, die Wahrscheinlichkeit zu kennen, mit der sich ein Elektron an jeder Position befindet – die sogenannte Elektronendichte.

Diese Erkenntnis brachte die Dichtefunktionaltheorie (DFT) hervor, die bis heute ein wichtiges Werkzeug zur Berechnung von Moleküleigenschaften ist. Mit der DFT berechnen Forschende die Gesamtverteilung der negativen elektrischen Ladung der Elektronen im Molekül, statt einzelne Elektronen zu modellieren. Viele Materialeigenschaften lassen sich aus dieser Dichte ableiten.

Mit Werbeeinnahmen bezahlen wir unsere Redakteur:innen.
Mit einem MIXED-Abo kannst Du unsere Seite werbefrei lesen.

Deepminds DM21 soll 50 Jahre alte Methode ersetzen

Doch die DFT enthält grundsätzlich ein gewisses Maß an Annäherung, liefert auch für simple Moleküle immer wieder falsche Ergebnisse und die benötigten Berechnungen sind zwar wesentlich effizienter als die Lösung aller Wellenfunktionen mit ihren Interaktionen, doch sie erfordern dennoch häufig Supercomputer.

In den letzten zehn Jahren gibt es daher wiederholt Bemühungen, bestimmte Eigenschaften von Materialien, wie die chemische Reaktivität oder Fähigkeit zur Wärmeleitung, mit Künstlicher Intelligenz vorherzusagen.

logo
  • checkMIXED.de ohne Werbebanner
  • checkZugriff auf mehr als 9.000 Artikel
  • checkKündigung jederzeit online möglich
ab 2,80 € / Monat

Deepminds neues KI-System DM21 versucht dagegen die direkte Prognose der Elektronendichte. „Es ist sozusagen das ideale Problem für maschinelles Lernen: Man kennt die Antwort, aber nicht die Formel, die man anwenden will“, so der theoretische Chemiker Aron Cohen, der bei Deepmind als DFT-Experte arbeitet.

Deepminds Lösung ist ein großer Fortschritt

Die Forschenden trainierten ihr KI-System mit 1161 korrekten Lösungen der Schrödinger-Gleichungen und integrierten einige bekannte physikalische Gesetzmäßigkeiten in das Netz, um die Genauigkeit zu erhöhen. Einen ähnlichen Ansatz verfolgte Deepmind bereits mit der Proteinfaltung-KI Alphafold 2.

Deepmind testete DM21 an einer Reihe von Molekülen, die als Benchmark für DFT-Methoden verwendet werden. Laut des Forschungsteams beschreibt DM21 typische Beispiele für künstliche Ladungsverschiebung und starke Korrelation korrekt und schneidet in den Benchmarks für Hauptgruppenatome und -moleküle besser ab als herkömmliche Methoden. DM21 modelliere komplexe Systeme wie Wasserstoffketten, geladene DNA-Basenpaare und diradikalische Übergangszustände genau.

Bei weiteren Fortschritten, von denen auszugehen ist, könnte Deepminds KI-Materialprognose Durchbrüche in beinahe allen technologisierten Bereichen des Lebens bringen, etwa in der Elektromobilität, Raumfahrt, Biologie, Medizin und vielen mehr.

„So genaue Ergebnisse zu liefern, ist ein Kunststück“, so Anatole von Lilienfeld, Materialwissenschaftler an der Universität Wien. Er hält Deepminds Ergebnisse für beeindruckend: „Das ist das Beste, was die wissenschaftliche Gemeinschaft bisher zustande gebracht hat, und die Lösung übertrifft bisherige deutlich.“

Deepmind veröffentlicht DM21 auf Github. Zukünftige Versionen sollen folgen und etwa Kristallstrukturen von Materialien verarbeiten können.

Weiterlesen über KI und Forschung:

Quelle: Deepmind, Science, Nature