Mit künstlicher Intelligenz zum chemischen Fingerabdruck

Forschern an den Universitäten Wien und Göttingen ist es gelungen, eine auf künstlicher Intelligenz aufbauende Methode zur Vorhersage von molekularen Infrarotspektren zu entwickeln. Diese chemischen "Fingerabdrücke" konnten von gängigen Vorhersagetechniken bislang nur für kleine Moleküle in hoher Qualität simuliert werden. Mit Hilfe der neuen Technik, die auf neuronalen Netzwerken ähnlich dem menschlichen Gehirn basiert und damit lernfähig ist, konnte das Team Simulationen durchführen, die zuvor nicht möglich waren. Das Potenzial dieser neuen Strategie wurde nun in der aktuellen Ausgabe der Fachzeitschrift "Chemical Science" publiziert.

---
Drastische Fortschritte in der Forschung zu künstlicher Intelligenz haben im letzten Jahrzehnt zu einer großen Reihe von faszinierenden Entwicklungen in diesem Bereich geführt. Selbstständig fahrende Autos, aber auch alltägliche Anwendungen wie Suchmaschinen und Spam-Filter veranschaulichen die vielseitige Einsetzbarkeit von Methoden aus dem Gebiet der künstlichen Intelligenz.

Infrarotspektroskopie ist eine der wertvollsten experimentellen Methoden, um Einblick in die Welt der Moleküle zu erhalten. Infrarotspektren sind chemische Fingerabdrücke, welche Aufschluss über die Zusammensetzung und Eigenschaften von Substanzen und Materialien geben. In vielen Fällen sind diese Spektren sehr komplex – eine detaillierte Analyse macht computergestützte Simulationen unumgänglich. Während quantenchemische Rechnungen im Prinzip eine äußerst exakte Vorhersage von Infrarotspektren ermöglichen, wird ihre Anwendbarkeit in der Praxis durch den mit ihnen verbundenen hohen Rechenaufwand erschwert. Aus diesem Grund können verlässliche Infrarotspektren nur für relativ kleine chemische Systeme berechnet werden.

Eine internationale Gruppe von Forschern unter der Leitung von Philipp Marquetand von der Fakultät für Chemie der Universität Wien hat nun einen Weg gefunden, diese Simulationen mittels künstlicher Intelligenz zu beschleunigen. Zu diesem Zweck werden sogenannte künstliche neuronale Netzwerke verwendet, mathematische Modelle des menschlichen Gehirns. Diese sind in der Lage, die komplexen quantenmechanischen Beziehungen, die zur Modellierung von Infrarotspektren nötig sind, anhand einiger weniger Beispiele zu lernen. Auf diese Art und Weise können die Wissenschafter Simulationen innerhalb weniger Minuten durchführen, die sonst selbst mit modernen Supercomputern Jahrtausende in Anspruch nehmen würden – ohne dabei an Verlässlichkeit einzubüßen. "Wir können nun endlich chemische Problemstellungen simulieren, die mit den bis dato verwendeten Simulationstechniken nicht zu bewältigen waren", sagt der Erstautor der Studie, Michael Gastegger.

Aufgrund der Ergebnisse dieser Studie sind die Forscher zuversichtlich, dass ihre Methode zur Spektrenvorhersage in Zukunft weitreichenden Einsatz in der Analyse von experimentellen Infrarotspektren finden wird.

Publikation in "Chemical Science"
Machine learning molecular dynamics for the simulation of infrared spectra
Michael Gastegger, Jörg Behler, Philipp Marquetand
Chemical Science, 2017,
DOI:10.1039/C7SC02267K

Wissenschaftlicher Kontakt
Priv.-Doz. Dr. Philipp Marquetand
Institut für Theoretische Chemie
Fakultät für Chemie
Universität Wien
1090 Wien, Währinger Straße 17
T +43-1-4277-527 64


Rückfragehinweis
Stephan Brodicky
Pressebüro der Universität Wien
Forschung und Lehre
1010 Wien, Universitätsring 1
T +43-1-4277-175 41


Offen für Neues. Seit 1365.
Die Universität Wien ist eine der ältesten und größten Universitäten Europas: An 19 Fakultäten und Zentren arbeiten rund 9.500 MitarbeiterInnen, davon 6.600 WissenschafterInnen. Die Universität Wien ist damit die größte Forschungsinstitution Österreichs sowie die größte Bildungsstätte: An der Universität Wien sind derzeit rund 94.000 nationale und internationale Studierende inskribiert. Mit 174 Studien verfügt sie über das vielfältigste Studienangebot des Landes. Die Universität Wien ist auch eine bedeutende Einrichtung für Weiterbildung in Österreich.

Weitere Informationen:
- http://pubs.rsc.org/en/content/articlehtml/2017/SC/C7SC02267K Publikation in Chemical Science

Quelle: idw