Accurate Chemistry Collection: Coupled cluster atomization energies for broad chemical space

Die Studie stellt die Microsoft Research Accurate Chemistry Collection (MSR-ACC) vor, eine umfassende Datensammlung von 73.040 präzisen Atomisierungsenergien für geschlossene, neutrale Moleküle, die als Grundlage für die Entwicklung hochgenauer, datengestützter computergestützter Chemie-Methoden dient.

Das Wesentliche

Stell dir vor, du bist ein Koch, der die perfekten Rezepte für die Welt entwickeln will. Aber um ein gutes Rezept zu schreiben, brauchst du nicht nur eine Schüssel und einen Löffel; du brauchst exakte Daten. Du musst genau wissen: Wie viel Energie wird freigesetzt, wenn ich diese Zutaten verbinde? Wie viel Energie brauche ich, um sie wieder zu trennen?

In der Welt der Chemie nennen wir diese Energieberechnungen „Atomisierungsenergien". Das ist im Grunde die Frage: „Wie viel Kraft kostet es, ein Molekül komplett in seine einzelnen Atome zu zerlegen?"

Das Problem bisher war: Wir hatten nur wenige, sehr kleine Kochbücher (Datenbanken), die zwar sehr genau waren, aber nur für ganz einfache Gerichte (kleine Moleküle) galten. Oder wir hatten riesige Kochbücher, die aber oft ungenau waren. Es fehlte ein riesiges, präzises Kochbuch, das alles abdeckt – von einfachen Salzen bis hin zu komplexen organischen Verbindungen.

Genau hier kommt die MSR-ACC/TAE25 ins Spiel. Das ist das neue, riesige Kochbuch von Microsoft Research.

Was ist das eigentlich?

Stell dir vor, die Forscher haben einen digitalen Super-Generator gebaut. Dieser Generator hat sich nicht einfach zufällig Moleküle ausgedacht, sondern er hat systematisch jeden möglichen Baukasten durchprobiert, den die Natur erlaubt – zumindest für die ersten drei Reihen des Periodensystems (also Elemente wie Wasserstoff, Kohlenstoff, Sauerstoff, bis hin zu Argon).

• Die Bausteine: Sie haben alle möglichen Kombinationen von bis zu 5 „schweren" Atomen (also nicht nur Wasserstoff) zusammengebaut.
• Die Filter: Nicht jeder Bauklotz-Stapel ist stabil. Manche fallen sofort auseinander, andere sind chemisch zu chaotisch. Der Generator hat alle instabilen oder zu komplizierten Konstruktionen aussortiert.
• Das Ergebnis: Ein Datensatz mit 73.040 verschiedenen Molekülen. Das ist wie ein riesiges Lagerhaus voller einzigartiger chemischer Strukturen.

Warum ist das so besonders? (Die „Super-Lupe")

Normalerweise berechnet man diese Energien mit Computern. Aber viele Computer-Methoden sind wie ein unscharfes Foto: Sie sehen die groben Umrisse, aber die Details sind verschwommen.

Die Forscher haben für dieses Projekt eine „Super-Lupe" verwendet, die W1-F12 genannt wird.

• Stell dir vor, du willst die Distanz zwischen zwei Punkten messen. Eine normale Methode misst mit einem Zollstock (ganz okay). Die W1-F12-Methode misst mit einem Laser-Entfernungsmesser, der auf die Nanometer genau ist.
• Diese Methode ist so präzise, dass sie Fehler von weniger als einer Kalorie pro Mol hat. Das ist die „chemische Genauigkeit", nach der sich alle sehnen.

Wie haben sie das gemacht? (Der Bauplan)

Der Prozess war wie ein mehrstufiger Sicherheitscheck in einer Fabrik:

1. Der Entwurf (Graph-Generierung): Ein Computer hat erst mal nur die Verbindungen gezeichnet (welches Atom ist mit welchem verbunden). Sie haben dabei drei verschiedene Strategien genutzt:
   • Die Zähl-Methode: Alle möglichen Kombinationen durchzählen.
   • Die Stichprobe: Zufällig neue Kombinationen generieren.
   • Der KI-Assistent: Ein künstliches Intelligenz-Modell (ähnlich wie die, die Texte schreiben), das neue, kreative Moleküle erfunden hat, die die anderen Methoden vielleicht übersehen hätten.
2. Der 3D-Check: Aus den 2D-Zeichnungen wurden 3D-Modelle gebaut. Der Computer hat geschaut: Stehen die Atome stabil? Oder kippen sie um? Instabile Modelle wurden weggeschmissen.
3. Der Stresstest: Bevor die teure „Super-Lupe" (W1-F12) zum Einsatz kam, haben sie mit schnelleren, weniger genauen Methoden getestet: „Ist dieses Molekül überhaupt ein Singulett (ein stabiler Grundzustand) oder dreht es sich chaotisch?" Nur die stabilen Kandidaten durften weiter.
4. Das Finale: Für die verbleibenden 73.040 Gewinner-Moleküle wurde die Super-Lupe eingesetzt, um den exakten Energie-Wert zu berechnen.

Warum ist das für uns wichtig?

Früher mussten Chemiker und KI-Entwickler ihre neuen Methoden an kleinen, oft nur organischen (kohlenstoffbasierten) Molekülen testen. Das war wie ein Autotest, bei dem man nur auf einer geraden Landstraße fährt.

Mit MSR-ACC/TAE25 haben sie jetzt eine riesige, komplexe Teststrecke gebaut:

• Es gibt dort Moleküle mit Metallen, mit Schwefel, mit Phosphor – also alles, was in echten Batterien, Medikamenten oder Materialien vorkommt.
• KI-Modelle (wie Graph-Neuronale Netze) können jetzt auf diesem riesigen Datensatz trainiert werden. Sie lernen nicht nur „Kohlenstoff ist cool", sondern verstehen auch, wie seltene Elemente zusammenarbeiten.
• Wissenschaftler können jetzt neue chemische Methoden entwickeln, die wirklich genau sind, bevor sie im Labor eingesetzt werden.

Zusammenfassung in einem Satz

Die Forscher haben mit Hilfe von KI und Super-Computern ein riesiges, ultra-genaues Wörterbuch der chemischen Energie erstellt, das 73.000 verschiedene Moleküle beschreibt, damit wir in Zukunft bessere Medikamente, effizientere Batterien und genauere chemische Simulationen entwickeln können.

Es ist, als hätten sie die „Gold-Standard"-Karte für die chemische Welt gezeichnet, auf der jeder Fehler so klein ist, dass man ihn kaum noch sieht.

Technische Zusammenfassung

1. Problemstellung

In der computergestützten Chemie sind thermochemische Daten mit einer Genauigkeit unterhalb der „chemischen Genauigkeit" (innerhalb von 1 kcal/mol des empirischen Grundwahrheitswerts) entscheidend für die Weiterentwicklung von Methoden. Bisherige Datensätze, die diese Genauigkeit erreichen (z. B. die W4-Serie oder GDB-9), sind jedoch entweder in ihrer Größe begrenzt oder decken nur einen engen chemischen Raum ab (meist organische Moleküle). Dies behindert die Entwicklung datengesteuerter Methoden (wie maschinelles Lernen oder Dichtefunktionaltheorie), die eine hohe Vorhersagegenauigkeit über einen breiten chemischen Raum hinweg für geschlossene Schalen, neutrale Moleküle erreichen sollen. Es fehlte an einem umfassenden Datensatz für sowohl organische als auch anorganische Verbindungen mit sub-chemischer Genauigkeit.

2. Methodik

Die Autoren stellen den Microsoft Research Accurate Chemistry Collection (MSR-ACC) vor, mit dem ersten Release MSR-ACC/TAE25. Die Methodik umfasst folgende Schritte:

• Strukturgenerierung:

  • Chemischer Raum: Abdeckung von Molekülen mit bis zu 5 schweren Atomen (Nicht-Wasserstoff-Atome) aus den Elementen der ersten drei Perioden des Periodensystems (H bis Ar), ausgeschlossen sind Edelgase.
  • Graph-Generierung: Drei Ansätze wurden kombiniert, um die chemische Diversität zu maximieren:
    1. Brute-Force-Enumeration aller möglichen Graphen (bis zu 4 schwere Atome).
    2. Stichprobenbasierte Generierung von Gradsequenzen (mit impliziten und expliziten Wasserstoffatomen).
    3. Ein autoregressives Modell (GPT-2-Architektur), das auf SMILES-Strings trainiert wurde, um neue Graphen zu generieren.
  • 3D-Strukturen: Die Graphen wurden in 3D-Geometrien umgewandelt (OpenBabel, UFF) und durch eine Kaskade von Optimierungsschritten verfeinert: GFN2-xTB (Konformersuche), r2SCAN-3c und schließlich B3LYP-D3(BJ)/def2-TZVPP (Orca).
  • Filterung: Moleküle wurden entfernt, wenn sie in Fragmente dissoziierten, wenn der Triplett-Zustand energetisch günstiger war als der Singulett-Zustand (basierend auf B3LYP), oder wenn sie einen starken Multireferenz-Charakter aufwiesen.

• Berechnung der Referenzwerte (Labeling):

  • Die Gesamtatomisierungsenergien (TAE) wurden auf dem CCSD(T)/CBS-Niveau (Coupled Cluster mit Single-, Double- und perturbativen Triple-Anregungen im vollständigen Basissatz-Limit) berechnet.
  • Verwendet wurde das W1-F12-Thermochemie-Protokoll (eine explizit korrelierte Version der W1-Theorie), das separate Extrapolationen für HF-, CCSD- und (T)-Komponenten sowie Kern-Valenz-Korrekturen (CV) beinhaltet.
  • Multireferenz-Filter: Ein diagnostischer Wert, %TAE[(T)], wurde berechnet (Anteil der Triple-Anregungen an der TAE). Moleküle mit %TAE[(T)] > 6% wurden ausgeschlossen, um sicherzustellen, dass die CCSD(T)-Methode für den Rest des Datensatzes zuverlässig ist.

• Datensatz-Struktur:

  • Der Datensatz enthält 73.040 Moleküle.
  • Format: QCSchema (offenes Standardformat).
  • Lizenz: CDLA Permissive 2.0 (verfügbar auf Zenodo).
  • Zusätzliche Daten: DFT-Energien, Singulett-Triplett-Abstände, W1-F12-Komponenten und molekulare Graphen.

3. Schlüsselbeiträge

• Umfang und Vielfalt: MSR-ACC/TAE25 ist der bisher größte Datensatz mit TAEs auf CCSD(T)/CBS-Niveau. Er deckt nicht nur organische Chemie ab, sondern auch eine breite Palette anorganischer Verbindungen (einschließlich Elemente wie Li, Be, Na, Mg, Al, Si, P, S, Cl).
• Sub-chemische Genauigkeit: Durch das W1-F12-Protokoll und strenge Filterkriterien werden Referenzwerte mit einer Genauigkeit von < 1 kcal/mol bereitgestellt.
• Öffentliche Verfügbarkeit: Im Gegensatz zu vielen proprietären oder kleinen Datensätzen wird dieser große, chemisch diverse Datensatz offen unter einer permissiven Lizenz bereitgestellt, inklusive kanonischer Trainings- und Validierungssplits.
• Diversität der Bindungssituationen: Der Datensatz enthält viele nicht-traditionelle Bindungssituationen und s- sowie p-Block-Verbindungen, die in rein organischen Datensätzen (wie GDB-9) fehlen.

4. Ergebnisse und Validierung

• Statistische Verteilung: Der Datensatz enthält Moleküle mit 2 bis 17 Atomen (inkl. H). Etwa 45 % sind organisch, 55 % anorganisch. Die meisten Moleküle (75 %) sind Mischungen aus Perioden 2 und 3.
• Filtervalidierung: Die Anwendung des %TAE[(T)]-Filters und des Singulett-Triplett-Abstandsfilters eliminierte systematisch Moleküle, für die CCSD(T) unzuverlässig wäre. Vergleiche mit dem W4-17-Datensatz zeigten, dass der chemische Raum fast vollständig abgedeckt ist (nur wenige Ausnahmen wie Diboran oder Cyclobutadien aufgrund von Generierungsbeschränkungen oder Instabilität fehlen).
• Fehlerverteilung: Die Fehlerverteilung verschiedener DFT-Funktionale (von LDA bis Double-Hybriden) gegenüber den W1-F12-Referenzen folgt einer Normalverteilung. Dies bestätigt die Konsistenz der Referenzdaten.
• Komponentenanalyse: Die Analyse der W1-F12-Komponenten (HF, CCSD, (T), CV) zeigt erwartete Trends in Abhängigkeit von der Elementzusammensetzung und der Anzahl der Valenzelektronen.

5. Bedeutung und Ausblick

MSR-ACC/TAE25 ermöglicht die Entwicklung und Validierung von:

• Maschinellem Lernen: Training von Graph-Neural-Netzwerken (GNNs) und anderen ML-Modellen, die über den typischen Fokus auf organische Moleküle hinausgeneralisieren müssen.
• Dichtefunktionaltheorie (DFT): Entwicklung neuer Austausch-Korrelations-Funktionale, die chemische Genauigkeit für ein breites Spektrum an Verbindungen erreichen (bereits genutzt für den ersten DFT-Funktional, der diese Genauigkeit bei TAEs erreicht).
• Benchmarking: Schaffung spezifischer Benchmarks für schwierige chemische Systeme (z. B. Phosphor-Schwefel-Verbindungen), um systematische Fehler in Näherungsmethoden zu identifizieren.

Der Datensatz stellt einen Meilenstein dar, um datengesteuerte Methoden in der Quantenchemie von der reinen organischen Chemie hin zu einem universellen Werkzeug für die gesamte molekulare Wissenschaft zu entwickeln. Zukünftige Arbeiten planen eine weitere Erweiterung des MSR-ACC mit noch höherer Qualität oder größeren Molekülen.