Künstliches neuronales Netz berechnet atomare Wechselwirkungen in Wasser

5. Jänner 2019, 12:00

Physikerteam gelingt es, einige thermodynamische Eigenschaften von Wasser und Eis "mit sehr guter Näherung" vorherzusagen

Wien – Während sich mit der Quantenmechanik das Verhalten von wenigen Atomen noch einigermaßen gut beschreiben lässt, nimmt die Komplexität mit steigender Anzahl so rasch zu, dass es kaum noch handhabbar ist: An Systemen mit mehr als einigen hundert Atomen scheitern selbst Supercomputer.

Forscher um Michele Ceriotti von der Ecole Polytechnique Federale de Lausanne setzten nun auf maschinelles Lernen. Das Team, zu dem auch Christoph Dellago von der Fakultät für Physik der Universität Wien gehört, ließ ein künstliches neuronales Netz die quantenmechanischen Wechselwirkungen zwischen Atomen lernen und Vorhersagen über die Energie und Kräfte für ein System von Atomen treffen.

Wundersames Wasser

Im Fokus stand dabei ein Stoff, der in vielerlei Hinsicht ein ganz besonderer ist: Wasser. Hinter der simplen chemischen Formel H2O verbirgt sich eine Substanz mit einem ganzen Bündel von Eigenschaften, in denen sich Wasser von fast allen anderen Flüssigkeiten unterscheidet. Die sogenannte Dichteanomalie – also dass Wasser bei Normaldruck seine höchste Dichte bei vier Grad Celsius erreicht und nicht in gefrorenem Zustand – ist nur die bekannteste davon. Die thermodynamischen Eigenschaften von Wasser und Eis sind daher nur sehr schwierig vorherzusagen.

Mit ihrer Technik konnten die Wissenschafter mehrere dieser Eigenschaften quantenmechanisch reproduzieren, darunter die Dichte von Eis und Wasser und die Stabilität unterschiedlicher Eisformen. Und dies laut Dellago für Systeme mit ein paar Tausend Molekülen über ein paar Hundert Nanosekunden – was um Größenordnungen besser sei als derzeit mit rein quantenmechanischen Berechnungen möglich ist.

"Das neuronale Netz ist nicht perfekt, im Vergleich zu aufwendigen quantenmechanischen Berechnungen bleibt ein gewisser Restfehler übrig", sagt Dellago. Diesen Fehler können die Wissenschafter aber durch zusätzliche quantenmechanische Berechnungen korrigieren. "Das Schöne ist, dass wir nicht mehr so viele Berechnungen brauchen, weil das neuronale Netz eine sehr gute Näherung liefert und von den Kosten her viel günstiger ist als die Berechnungen mit der Schrödinger-Gleichung." (APA, red, 5. 1. 2019)