Detailseite
Projekt
Maschinelles Lernen für hierarchische ultraschnelle molekulare Kraftfelder
Antragsteller
Professor Dr. Wolfgang Wenzel
Fachliche Zuordnung
Theoretische Chemie: Elektronenstruktur, Dynamik, Simulation
Förderung
Förderung seit 2022
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 497201199
In einer praktisch unbegrenzten und ständig wachsenden Zahl von Anwendungen bestimmt die komplexe dynamische Umgebung die Gesamteigenschaften des Systems. Chemische Reaktionen in Lösung und in der heterogenen Katalyse hängen stark und nicht trivial von der molekularen Umgebung ab, insbesondere in Wechselwirkung mit äußeren Einflüssen wie Licht. Im Prinzip bietet die Quantenmechanik heutzutage brauchbare Näherungen, meist auf der Grundlage der Dichtefunktionaltheorie, für viele dieser Probleme, aber die Zeitskalen, die mit ab-initio-Quantenchemie-Berechnungen erreicht werden können, sind so kurz, dass nur Modellsysteme adäquat behandelt werden können. Molekularmechanische Methoden, insbesondere die Molekulardynamik, ermöglichen die Behandlung von Systemen auf Zeitskalen, die bis zu 100.000 Mal länger sind, aber oft fehlt eine angemessene Parametrisierung des Systems. Seit zehn Jahren wird versucht, mit Hilfe von Methoden des maschinellen Lernens über die manuelle Parametrisierung der in Molekülmechanik-Simulationen verwendeten Kraftfelder hinauszugehen. Die Ergebnisse zeigen, dass genaue Kraftfelder mit maschinellem Lernen parametrisiert werden können, aber der numerische Aufwand dieser Methoden ist immer noch eher mit schnellen Quantenmethoden als mit Standard-Molekulardynamikmethoden vergleichbar. Hier werden wir einen neuartigen Ansatz entwickeln, der die molekulare Repräsentation des Systems in Bezug auf seine stochiometrische Zusammensetzung von der Behandlung der molekularen Konformation entkoppelt. Dies ermöglicht ein hierarchisches maschinelles Lernen von molekularen Kraftfeldern, wobei ein rechnerisch effizientes Kraftfeld durch ein komplexes ML-Protokoll parametrisiert wird, das nur einmal vor dem eigentlichen Simulationsstart ausgewertet werden muss. Beide Komponenten, d.h. die funktionale Form des Kraftfelds und seine Parameter, können auf der Grundlage hochgenauer quantenmechanischer Daten gelernt werden. In diesem Projekt werden wir die Machbarkeit dieses Ansatzes für Modellreaktionen kleiner organischer Moleküle in Lösung und für die heterogene Katalyse demonstrieren. In Zusammenarbeit mit anderen Projekten werden die Kraftfelder auf das Wachstum metallorganischer Gerüste, die Chemie angeregter Zustände in molekularen organischen Materialien und Batterieanwendungen angewendet. Die Kraftfelder werden in Standard-Molekulardynamik-Codes implementiert und der Gemeinschaft zur Verfügung gestellt. Das Projekt wird sich an einem gemeinschaftsweiten Projekt zur Erzeugung und Pflege von Trainingsdaten für molekulare Kraftfelder beteiligen.
DFG-Verfahren
Schwerpunktprogramme
