Active Learning Enables Generation of Molecules that Advance the Known Pareto Front

Die Suche nach neuen Molekülen ist ein Streben nach den perfekten Bausteinen für alles, von Solarzellen bis hin zu lebensrettenden Medikamenten. Jahrzehntelang haben sich Wissenschaftler auf massive digitale Bibliotheken bekannter Chemikalien verlassen und diese einzeln gescreent, um jene mit den richtigen Eigenschaften zu finden. Doch das Universum der möglichen Moleküle ist so gewaltig – geschätzt auf Zahlen, die weit größer sind als die Sterne am Himmel –, dass das Überprüfen aller Möglichkeiten unmöglich ist. Vor kurzem entstand ein neuer Ansatz: der Einsatz von Computerprogrammen, um völlig neue Moleküle von Grund auf zu erfinden, die auf spezifische, wünschenswerte Merkmale hin entworfen wurden. Die Hoffnung war, dass diese Systeme der künstlichen Intelligenz in der Lage sein könnten, diesen endlosen chemischen Raum zu durchqueren und Lösungen zu finden, die in menschlichen Datenbanken noch nie gesehen wurden.

Es gibt jedoch ein hartnäckiges Problem, das diese digitalen Erfinder daran gehindert, ihr volles Potenzial auszuschöpfen. Während sie exzellent darin sind, vertraute Ideen neu zu kombinieren, geraten sie oft ins Straucheln, wenn sie aufgefordert werden, wirklich unbekanntes Terrain zu betreten. Das Problem liegt nicht darin, dass es den Erfindern an Fantasie mangelt, sondern dass die Werkzeuge, die sie zur Beurteilung ihrer Schöpfungen verwenden, außerhalb ihres Trainings unzuverlässig sind. Wenn ein Computerprogramm ein neues Molekül vorschlägt, muss ein anderes Programm dessen Verhalten vorhersagen. Wenn dieses Vorhersagewerkzeug nur bekannte Beispiele gesehen hat, scheitert es oft daran, bei etwas wirklich Neuem korrekt zu raten, was den Erfinder in eine Sackgasse führt. Ein Team von Forschern am Lawrence Livermore National Laboratory hat nun gezeigt, wie man diese blinden Flecken behebt. Durch die Schaffung einer selbstkorrigierenden Schleife, in der die Vorhersagen des Computers ständig gegen rigorose physikalische Simulationen überprüft werden, ermöglichten sie ihrem System, Moleküle zu entdecken, die nicht nur neu, sondern signifikant besser als alles in bestehenden Aufzeichnungen sind.

Die Forscher konzentrierten sich auf eine spezifische Herausforderung: die Entwicklung von Molekülen, die sowohl dicht sind als auch in der Lage sind, Energie zu speichern – Eigenschaften, die für fortschrittliche Materialien entscheidend sind. Sie begannen mit einem Standard-Computerprogramm, das in der Lage ist, neue chemische Strukturen zu generieren. In einem typischen Aufbau würde dieser Generator ein Molekül erstellen, und ein separates Vorhersagemodell würde dessen Eigenschaften schätzen. Basierend auf dieser Schätzung würde der Generator das Design anpassen und es erneut versuchen. Doch die Forscher fanden heraus, dass dieser Prozess an eine Grenze stieß. Das Vorhersagemodell, das nur auf bekannten Daten trainiert wurde, konnte Moleküle, die zu weit von dem entfernt waren, was es zuvor gesehen hatte, nicht genau beurteilen. Infolgedessen wagte der Generator nie weit genug, um wirklich überlegene Designs zu finden, und blieb effektiv innerhalb der Sicherheit der bekannten Welt.

Um diesen Kreislauf zu durchbrechen, führte das Team ein „Closed-Loop“-System ein, das als Realitätscheck fungiert. Anstatt sich ausschließlich auf das ursprüngliche Vorhersagemodell zu verlassen, entwickelten sie einen Prozess, bei dem jedes vom Computer generierte neue Kandidatenmolekül einer hochpräzisen Physiksimulation unterzogen wird. Diese Simulation, eine komplexe Berechnung basierend auf den Gesetzen der Quantenmechanik, bestimmt die tatsächliche Dichte, Energie und Stabilität des Moleküls. Entscheidend ist, dass die Ergebnisse dieser Simulationen nicht einfach verworfen werden; sie werden in das System zurückgeführt, um das Vorhersagemodell neu zu trainieren. Mit jeder Runde des Testens lernt das Vorhersagemodell mehr über die neuen Regionen des chemischen Raums, die der Generator erkundet. Es wird besser darin, genau die Dinge zu beurteilen, mit denen es zuvor Schwierigkeiten hatte, was es dem Generator ermöglicht, mit größerer Zuversicht weiter in unkartiertes Gebiet vorzustoßen.

Dieser iterative Prozess erwies sich als transformativ. Während Standardcomputermodelle nicht in der Lage waren, Moleküle zu produzieren, die die besten Beispiele aus ihren Trainingsdaten übertrafen, gelang es dem neuen Closed-Loop-System. Nach vier Runden dieses selbstkorrigierenden Zyklus generierte das System Moleküle mit Dichten von über 2 Gramm pro Kubikzentimeter, womit es die höchste im ursprünglichen Datensatz von über 10.000 bekannten Molekülen gefundene Dichte übertraf. Darüber hinaus entdeckte das System Moleküle mit Energiespeicherfähigkeiten, die die Grenzen dessen, was bisher für möglich gehalten wurde, verschoben. Die Studie zeigte, dass der Schlüssel zu diesen Durchbrüchen nicht in einem klügeren Generator lag, sondern in einem zuverlässigeren Richter. Das Vorhersagemodell wurde, nachdem es auf den neuen Simulationsdaten neu trainiert worden war, dramatisch genauer und reduzierte seine Fehler bei der Bewertung dieser neuartigen Strukturen um bis zu 90 Prozent.

Eine weitere kritische Hürde bei der Entdeckung neuer Moleküle besteht darin, sicherzustellen, dass ein computergeneriertes Design tatsächlich im Labor gebaut werden kann. Viele theoretische Moleküle sind chemisch instabil und würden sofort zerfallen. Die Forscher gingen dies an, indem sie einen spezialisierten Klassifizierer trainierten, um Anzeichen von Instabilität zu erkennen, wobei sie Daten aus den Physiksimulationen nutzten. Durch das Herausfiltern instabiler Kandidaten, noch bevor diese überhaupt generiert wurden, produzierte das System einen finalen Satz von Molekülen, die 3,5 Mal wahrscheinlicher stabil waren als die jener anderen führenden Methoden. Diese Stabilität ist essenziell, da sie darauf hindeutet, dass diese Moleküle nicht nur theoretische Kuriositäten sind, sondern potenzielle Kandidaten für die reale Synthese.

Die Ergebnisse deuten auf einen Wandel in der Art und Weise hin, wie wir die Entdeckung neuer Materialien angehen. Die Studie zeigt, dass der Engpass bei der Erstellung besserer Moleküle oft nicht in der Fähigkeit liegt, neue Strukturen zu imaginieren, sondern in der Unfähigkeit, deren Verhalten zuverlässig vorherzusagen. Durch die Kopplung der kreativen Kraft generativer Modelle mit einem rigorosen, selbstverbessernden Validierungsprozess zeigten die Forscher, dass es möglich ist, die Grenzen bekannter chemischer Leistungsfähigkeit zuverlässig zu erweitieren. Das Ergebnis ist ein System, das nicht nur alte Ideen recycelt, sondern aktiv die Grenzen des Möglichen erweitert und stabile, leistungsstarke Moleküle findet, die knapp außerhalb der Reichweite traditioneller Methoden liegen.