SchNet – eine Deep-Learning-Architektur für Moleküle und Materialien

Tiefes Lernen hat zu einem Paradigmenwechsel in der Künstlichen Intelligenz geführt, einschließlich Web-, Text- und Bildsuche, Spracherkennung sowie Bioinformatik, mit wachsendem Einfluss in der Chemischen Physik. Maschinelles Lernen im Allgemeinen und tiefes Lernen im Besonderen eignet sich hervorragend zur Darstellung quantenmechanischer Wechselwirkungen, ermöglicht das Modellieren nichtlinearer Potenzial-Energieflächen oder verbessert die Erforschung des chemischen Verbindungsraums. In diesem Artikel stellen wir die tiefen Lernarchitektur SchNet vor, die speziell zur Modellierung atomarer Systeme durch den Einsatz kontinuierlicher Filter-Faltungs-Lagen entwickelt wurde. Wir demonstrieren die Fähigkeiten von SchNet durch genaue Vorhersagen einer Vielzahl von Eigenschaften über den chemischen Raum hinweg für \emph{Moleküle und Materialien}, wobei unser Modell plausibel chemische Einbettungen von Atomtypen über das Periodensystem lernt. Schließlich verwenden wir SchNet zur Vorhersage von Potenzial-Energieflächen und energieerhaltenden Kraftfeldern für Molekulardynamiksimulationen kleiner Moleküle und führen eine exemplarische Studie der quantenmechanischen Eigenschaften von C$_{20}$-Fulleren durch, die mit herkömmlichen ab-initio-Molekulardynamikmethoden nicht machbar gewesen wäre.