Künstliche Intelligenz Chemische Reaktion im Auge – simuliert in Monaten statt Jahren

Nichts bewegt sich schneller als das Licht. Und auch durch Licht ausgelöste chemische Reaktionen laufen im Bruchteil einer Sekunde ab. Dennoch ist deren Modellierung mit enormem Rechenaufwand verbunden und entsprechend zeitintensiv. Ein neues Verfahren mit künstlichen neuronalen Netzen erlaubt nun, die Rechenzeit deutlich zu verkürzen. Wie schnell die künstliche Intelligenz arbeitet, lesen Sie im Folgenden.

Anbieter zum Thema

Weiss Technik GmbH

FAULHABER Antriebssysteme

Ionicon Analytik Ges.m.b.H.

Universität Wien Öffentlichkeitsarbeit

Wien/Österreich – Maschinelles Lernen spielt in der chemischen Forschung eine immer größere Rolle, z.B. bei der Entdeckung und Entwicklung neuer Moleküle und Materialien. Auch bei der Simulation von lichtausgelösten chemischen Reaktionen ist Maschinelles Lernen ein wertvolles Tool. Dies zeigten nun Forscher aus Wien und Berlin, die in einer Studie mit künstlicher Intelligenz effiziente photodynamische Simulationen ermöglicht haben.

Monate Rechenzeit für Simulation weniger Pikosekunden

Reaktionen, die durch Licht angetrieben werden, sind in der Natur weit verbreitet, ob bei der Photosynthese, der visuellen Wahrnehmung des Menschen oder der Entstehung von Hautkrebs. Um solche photoinduzierten Prozesse zu verstehen, „müssen wir die Bewegung der Moleküle unter Einwirkung von UV-Licht verstehen“, sagt Studienautor Philipp Marquetand vom Institut für Theoretische Chemie der Universität Wien. „Dazu benötigen wir neben klassischen mechanischen Berechnungen vor allem auch die Quantenmechanik, die extrem rechen- und damit auch kostenintensiv ist.“

Mit den bisherigen Verfahren konnten Forscher nur die allerschnellsten photoinduzierten Prozesse im Bereich von Pikosekunden vorhersagen, also dem Millionstel eines Millionstels einer Sekunde – und selbst für diese extrem kurze Zeitspanne waren Rechenzeiten von mehreren Monaten nötig. Das neue Verfahren ermöglicht mittels künstlicher Intelligenz nun Simulationen über deutlich längere Zeiträume: Laut Aussage der Forscher im Bereich einer Nanosekunde (1000 Pikosekunden), bei wesentlich weniger Rechenzeit.

Stark verkürzte Rechenzeit dank KI

Bei ihrem Ansatz verwenden die Forscher künstliche neuronale Netze, also mathematische Modelle, die die Funktionsweise unseres Gehirns imitieren. „Wir bringen unserem neuronalen Netz die komplexen quantenmechanischen Beziehungen bei, indem wir vorher ein paar wenige Rechnungen durchführen und das Wissen an das neuronale Netz weitergeben“, sagt Erstautorin der Studie Julia Westermayr aus Marquetands Team. Durch das angeeignete Wissen können die selbstlernenden neuronalen Netze dann bei molekulardynamischen Simulationen schneller vorhersagen, was passieren wird.

In dem Dossier Künstliche Intelligenz haben wir einige Artikel zum Einsatz von selbstlernenden Algorithmen in der Forschung für Sie zusammengestellt.

Für ihre Studie führten die Forscher photodynamische Simulationen eines Testmoleküls durch. Dabei handelte es sich um das Methylenimmoniumkation – ein Baustein des Moleküls Retinal, das unsere Sehprozesse ermöglicht. „Nach zwei Monaten Rechenzeit konnten wir die Reaktion im Zeitraum von einer Nanosekunde abbilden; auf Basis bisheriger Verfahren hätte die Simulation zirka 19 Jahre gedauert“, sagt Doktorandin Westermayr.

Prozesse für Hautalterung und Blindheit modellieren

Im Bereich von Nanosekunden läuft ein Großteil photochemischer Prozesse ab: „Mit unserer Strategie stoßen wir in eine neue Dimension für Vorhersagen vor. Das von uns präsentierte Vorgehen kann man im Prinzip auf verschiedenste kleinere Moleküle – darunter DNA-Bausteine und Aminosäuren – anwenden“, sagt Marquetand.

In einem nächsten Schritt wollen die Forscher ihr Verfahren nutzen, um die Aminosäure Tyrosin zu beschreiben. Sie kommt in den meisten Proteinen vor und es besteht der Verdacht, dass ihre Schädigung unter Einfluss von Licht Blindheit und Hautalterung begünstigt. Die Modellierung dieser Reaktion rücke in greifbare Nähe, so die Studienautoren. Und auch ganz allgemein könnte in Zukunft die Vorhersage von lichtgesteuerten Prozessen in jeglicher Hinsicht, etwa auch von Materialalterung oder von photosensitiven Medikamenten, durch das Maschinelle Lernen deutlich erleichtert werden.

Originalpublikation: Michael Gastegger, Maximilian F. S. J. Menger, Sebastian Mai, Leticia González and Philipp Marquetand: Machine learning enables long time scale molecular photodynamics simulations, Chemical Science, 2019; DOI: 10.1039/C9SC01742A7

* S. Brodicky, Universität Wien, 1010 Wien/Österreich

(ID:46131511)