Bei der Simulation, wie Wasser gefriert, bricht künstliche Intelligenz das Eis

Die daraus resultierende Simulation beschreibt mit Quantengenauigkeit, wie sich Wassermoleküle in festes Eis verwandeln. Diese Genauigkeit, die früher aufgrund der dafür erforderlichen Rechenleistung als unerreichbar galt, wurde möglich, als die Forscher tiefe neuronale Netze, eine Form der künstlichen Intelligenz, in ihre Methoden einbauten. Die Studie wurde in der Zeitschrift Proceedings of the National Academy of Sciences veröffentlicht .

"In gewisser Weise ist dies wie ein wahr gewordener Traum", sagte Roberto Car, Ralph W. *31 Dornte Professor für Chemie in Princeton, der vor mehr als 35 Jahren den Ansatz der Simulation molekularer Verhaltensweisen auf der Grundlage der zugrunde liegenden Quantengesetze mitentwickelt hat. "Unsere Hoffnung war damals, dass wir eines Tages in der Lage sein würden, Systeme wie dieses zu studieren, aber das war ohne weitere konzeptionelle Entwicklung nicht möglich, und diese Entwicklung kam über ein völlig anderes Gebiet, nämlich das der künstlichen Intelligenz und der Datenwissenschaft."

Die Fähigkeit, die ersten Schritte beim Gefrieren von Wasser zu modellieren, ein Prozess, der als Eisnukleation bezeichnet wird, könnte die Genauigkeit der Wetter- und Klimamodellierung sowie andere Prozesse wie das Einfrieren von Lebensmitteln verbessern.

Der neue Ansatz ermöglicht es den Forschern, die Aktivität von Hunderttausenden von Atomen über Zeiträume zu verfolgen, die tausendmal länger sind, wenn auch immer noch nur Bruchteile einer Sekunde, als in früheren Studien.

Car hat den Ansatz miterfunden, die zugrunde liegenden quantenmechanischen Gesetze zu nutzen, um die physikalischen Bewegungen von Atomen und Molekülen vorherzusagen. Die Gesetze der Quantenmechanik bestimmen, wie sich Atome miteinander verbinden, um Moleküle zu bilden, und wie sich Moleküle miteinander verbinden, um Alltagsgegenstände zu bilden.

Car und Michele Parrinello, ein Physiker, der heute am Istituto Italiano di Tecnologia in Italien arbeitet, veröffentlichten ihren Ansatz, der als "ab initio" (lateinisch für "von Anfang an") Molekulardynamik bekannt ist, 1985 in einer bahnbrechenden Arbeit.

Doch quantenmechanische Berechnungen sind komplex und erfordern enorme Rechenleistungen. In den 1980er Jahren konnten Computer gerade einmal hundert Atome über einen Zeitraum von einigen Billionstel Sekunden simulieren. Spätere Fortschritte in der Datenverarbeitung und das Aufkommen moderner Supercomputer steigerten die Anzahl der Atome und die Zeitspanne der Simulation, aber das Ergebnis reichte bei weitem nicht aus, um komplexe Prozesse wie die Eisbildung zu beobachten.

Die künstliche Intelligenz bot eine attraktive potenzielle Lösung. Die Forscher trainierten ein neuronales Netz, das seinen Namen aufgrund seiner Ähnlichkeit mit der Funktionsweise des menschlichen Gehirns erhielt, um eine vergleichsweise kleine Anzahl ausgewählter Quantenberechnungen zu erkennen. Einmal trainiert, kann das neuronale Netz die Kräfte zwischen Atomen, die es nie zuvor gesehen hat, mit quantenmechanischer Genauigkeit berechnen. Dieser Ansatz des "maschinellen Lernens" wird bereits in alltäglichen Anwendungen wie der Spracherkennung und selbstfahrenden Autos eingesetzt.

Bei der Anwendung von künstlicher Intelligenz auf die molekulare Modellierung wurde 2018 ein wichtiger Beitrag geleistet, als der Princeton-Absolvent Linfeng Zhang in Zusammenarbeit mit Car und dem Princeton-Mathematikprofessor Weinan E einen Weg fand, tiefe neuronale Netze auf die Modellierung quantenmechanischer interatomarer Kräfte anzuwenden. Zhang, der 2020 seinen Doktortitel erhielt und jetzt als Forscher am Beijing Institute of Big Data Research tätig ist, nannte den Ansatz "Deep Potential Molecular Dynamics".

In der aktuellen Arbeit wendeten Car und der Postdoktorand Pablo Piaggi zusammen mit Kollegen diese Techniken auf die Herausforderung der Simulation der Eiskeimbildung an. Mit Hilfe der Tiefpotential-Molekulardynamik konnten sie Simulationen mit bis zu 300.000 Atomen mit deutlich weniger Rechenleistung über viel längere Zeiträume durchführen, als dies bisher möglich war. Sie führten die Simulationen auf Summit durch, einem der schnellsten Supercomputer der Welt, der sich im Oak Ridge National Laboratory befindet.

Diese Arbeit stellt eine der besten Studien zur Eisbildung dar, sagte Pablo Debenedetti, Princetons Dekan für Forschung und Professor für Ingenieurwesen und angewandte Wissenschaften der Klasse 1950 und Mitautor der neuen Studie.

"Die Eisbildung ist eine der größten Unbekannten in den Wettervorhersagemodellen", so Debenedetti. "Dies ist ein bedeutender Schritt nach vorn, denn wir sehen eine sehr gute Übereinstimmung mit Experimenten. Wir waren in der Lage, sehr große Systeme zu simulieren, was für Quantenberechnungen bisher undenkbar war."

Derzeit erhalten Klimamodelle Schätzungen darüber, wie schnell Eis nukleiert, in erster Linie aus Beobachtungen, die in Laborexperimenten gemacht wurden, aber diese Korrelationen sind beschreibend, nicht vorhersagend, und gelten nur für einen begrenzten Bereich von experimentellen Bedingungen. Im Gegensatz dazu können molekulare Simulationen, wie sie in dieser Studie durchgeführt wurden, Vorhersagen für zukünftige Situationen treffen und die Eisbildung unter extremen Temperatur- und Druckbedingungen, wie sie auf anderen Planeten herrschen, abschätzen.

"Die in unserer Studie verwendete Methodik des tiefen Potenzials wird dazu beitragen, das Versprechen der ab initio Molekulardynamik zu verwirklichen, wertvolle Vorhersagen über komplexe Phänomene wie chemische Reaktionen und die Entwicklung neuer Materialien zu machen", sagte Athanassios Panagiotopoulos, der Susan Dod Brown Professor für Chemie- und Bioingenieurwesen und einer der Mitautoren der Studie.

"Die Tatsache, dass wir sehr komplexe Phänomene auf der Grundlage grundlegender Naturgesetze untersuchen, ist für mich sehr aufregend", so Piaggi, Erstautor der Studie und Postdoktorand im Fachbereich Chemie in Princeton. Piaggi promovierte in Zusammenarbeit mit Parrinello an der Entwicklung neuer Techniken zur Untersuchung seltener Ereignisse, wie z. B. der Keimbildung, mit Hilfe von Computersimulationen. Seltene Ereignisse spielen sich auf Zeitskalen ab, die länger sind als die Simulationszeiten, die man sich leisten kann, selbst mit Hilfe von KI, und es werden spezielle Techniken benötigt, um sie zu beschleunigen.

Jack Weis, Doktorand im Fach Chemie- und Bioingenieurwesen, trug dazu bei, die Wahrscheinlichkeit der Beobachtung von Keimbildung zu erhöhen, indem er winzige Eiskristalle in die Simulation "einbrachte". Das Ziel des "Seeding" ist es, die Wahrscheinlichkeit zu erhöhen, dass Wasser während der Simulation Eiskristalle bildet, damit wir die Keimbildungsrate messen können", so Weis, der von Debenedetti und Panagiotopoulos beraten wird.

Wassermoleküle bestehen aus zwei Wasserstoffatomen und einem Sauerstoffatom. Die Elektronen um jedes Atom herum bestimmen, wie sich die Atome miteinander verbinden können, um Moleküle zu bilden.

"Wir beginnen mit der Gleichung, die beschreibt, wie sich Elektronen verhalten", sagte Piaggi. "Elektronen bestimmen, wie Atome interagieren, wie sie chemische Bindungen eingehen und praktisch die gesamte Chemie."

Die Atome können in buchstäblich Millionen von verschiedenen Anordnungen existieren, sagte Car, der Direktor des Zentrums Chemistry in Solution and at Interfaces ist, das vom U.S. Department of Energy Office of Science finanziert wird und an dem auch regionale Universitäten beteiligt sind.

"Der Zauber besteht darin, dass die Maschine aufgrund einiger physikalischer Prinzipien in der Lage ist, die Vorgänge in einer relativ kleinen Anzahl von Konfigurationen einer kleinen Ansammlung von Atomen auf die unzähligen Anordnungen eines viel größeren Systems zu extrapolieren", so Car.

Obwohl es schon seit einigen Jahren KI-Ansätze gibt, waren die Forscher bei deren Anwendung auf Berechnungen physikalischer Systeme vorsichtig, so Piaggi. "Als maschinelle Lernalgorithmen populär wurden, war ein großer Teil der wissenschaftlichen Gemeinschaft skeptisch, weil diese Algorithmen eine Blackbox sind. Die Algorithmen des maschinellen Lernens wissen nichts über die Physik, warum sollten wir sie also benutzen?"

In den letzten Jahren hat sich diese Einstellung jedoch deutlich geändert, so Piaggi, und zwar nicht nur, weil die Algorithmen funktionieren, sondern auch, weil die Forscher ihr physikalisches Wissen nutzen, um die Modelle des maschinellen Lernens zu verbessern.

Für Car ist es befriedigend zu sehen, dass die vor drei Jahrzehnten begonnene Arbeit nun Früchte trägt. "Die Entwicklung kam über etwas, das in einem anderen Bereich entwickelt wurde, nämlich in den Datenwissenschaften und der angewandten Mathematik", so Car. "Diese Art der Interaktion zwischen verschiedenen Bereichen ist sehr wichtig.