Forscher von Google DeepMind, dem Berliner Institut für die Grundlagen von Lernen und Daten (BIFOLD) sowie der Technischen Universität Berlin haben eine neue Methode der künstlichen Intelligenz entwickelt. Diese namens Euclidean Fast Attention (EFA) ermöglicht eine effizientere Darstellung globaler atomarer Wechselwirkungen in chemischen Systemen. Die Studie wurde im März 2026 in der Fachzeitschrift Nature Machine Intelligence veröffentlicht. Die Entwicklung könnte die Simulation von Prozessen in der Chemie- und Materialwissenschaft erheblich verbessern und so die Erforschung neuer Medikamente, effizienterer Batterien sowie nachhaltiger Materialien beschleunigen. Um die Funktionsweise von Medikamenten präzise zu verstehen, müssen Wissenschaftler berechnen, wie sich Atome in Molekülen bewegen und miteinander interagieren. Solche Simulationen bilden die Grundlage für die moderne Arzneimittelentwicklung und das Design neuer Materialien. Herkömmliche rechnerische Methoden stoßen jedoch bei größeren Molekülen mit Hunderten oder Tausenden von Atomen an ihre Grenzen. Die Modellierung atomarer Systeme ist herausfordernd, da jedes Atom gleichzeitig Kräfte von vielen anderen Atomen erfährt, nicht nur von direkten Nachbarn, sondern auch aus großer Entfernung. Dies führt zu einem komplexen System vieler Körper, bei dem kleinste Änderungen an einer Stelle das Verhalten des gesamten Systems beeinflussen können. In modernen Maschinenlernmodellen spielt dabei das Konzept der Selbst-Aufmerksamkeit eine zentrale Rolle. Es ermöglicht Modellen, die Bedeutung einzelner Informationen im Kontext aller anderen Daten zu bewerten und damit langreichweitige Beziehungen zu erfassen. Da die Anzahl der relevanten Wechselwirkungen jedoch mit dem Quadrat der Atommengen wächst, ist der Einsatz von Selbst-Aufmerksamkeit für präzise physikalische Modelle extrem rechenintensiv und begrenzt die Größe der simulierbaren Strukturen. Die neue EFA-Methode umgeht dieses Problem durch eine spezifische, linear skalierende Darstellung von Wechselwirkungen für Daten im euklidischen Raum, in dem klassische geometrische Regeln gelten. Ein wesentlicher Aspekt des Ansatzes ist es, räumliche Informationen effizient darzustellen, ohne wichtige physikalische Symmetrien zu verletzen. In Experimenten zeigte das Team, dass EFA verschiedene Langreichweiteneffekte effektiv erfasst und chemische Wechselwirkungen beschreiben kann, bei denen herkömmliche maschinell lernende Kraftfelder fehlerhafte Ergebnisse liefern. Dies ermöglicht die zuverlässige Erfassung von Wechselwirkungen über große Distanzen bei vergleichsweise geringem Rechenaufwand. Prof. Klaus-Robert Müller, Ko-Direktor von BIFOLD und Professor an der Technischen Universität Berlin, betonte, dass der Ansatz einen wichtigen neuen Schritt hin zu einer quantenmechanisch präzisen Modellierung von Vielkörpersystemen mittels neuer Deep-Learning-Methoden darstellt. Die Arbeit beantwortet eine Kernfrage in der Modellierung: Wie kann globale strukturelle Information in atomare Modelle integriert werden, ohne die für große Systeme notwendige Recheneffizienz zu opfern. Da die Methode speziell für die effiziente Verarbeitung großer Moleküle konzipiert ist, kann sie künftig auch für besonders anspruchsvolle Systeme wie große oder komplexe Materialien eingesetzt werden. Die Autoren sehen in EFA einen vielversprechenden Ansatz, um Maschinenlernmethoden für herausfordernde Simulationen in Chemie und Materialwissenschaft robuster und effizienter zu machen.