При использовании обычных методов вычисление спектрального отпечатка более крупных молекул занимает чрезвычайно много времени. Но это является необходимым условием для правильной интерпретации экспериментально полученных данных. Теперь команда HZB добилась очень хороших результатов за значительно меньшее время, используя самообучающиеся графические нейронные сети.
"Макромолекулы, а также квантовые точки, которые часто состоят из тысяч атомов, вряд ли могут быть рассчитаны заранее с использованием обычных методов, таких как DFT", - говорит доктор медицинских наук Анника Банде из HZB. Вместе со своей командой она теперь исследовала, как можно сократить время вычислений, используя методы искусственного интеллекта.
Идея: компьютерная программа из группы "графических нейронных сетей" или GNN получает небольшие молекулы в качестве входных данных с задачей определения их спектральных характеристик. На следующем этапе программа GNN сравнивает рассчитанные спектры с известными целевыми спектрами (DFT или экспериментальными) и соответствующим образом корректирует траекторию расчета. Раунд за раундом результат становится лучше. Таким образом, программа GNN самостоятельно учится надежно вычислять спектры с помощью известных спектров.
"Мы обучили пять новых GNN и обнаружили, что с помощью одной из них, модели SchNet, можно добиться огромных улучшений: точность увеличивается на 20%, и это делается за долю времени вычислений", - говорит первый автор Канишка Сингх. Сингх учится в высшей школе HEIBRiDS и находится под руководством двух экспертов из разных областей знаний: эксперта по информатике проф. Ульф Лесер из Берлинского университета Гумбольдта и химик-теоретик Анника Банде.
"Недавно разработанные фреймворки GNN могли бы работать еще лучше", - говорит она. "И спрос очень высок. Поэтому мы хотим укрепить это направление исследований и планируем с лета создать для него новую должность постдока в рамках проекта Гельмгольца "Объяснимый искусственный интеллект для спектроскопии поглощения рентгеновских лучей". "
Комментарии