Learning the self-energy through equivariant neural networks

Um die Welt der Materialien zu verstehen, schauen Wissenschaftler oft darauf, wie sich Elektronen in ihnen verhalten. Diese winzigen Teilchen bewegen sich nicht isoliert; sie interagieren ständig miteinander und erzeugen ein komplexes Geflecht aus Kräften, das bestimmt, ob ein Material elektrischen Strom leitet, mit Licht leuchtet oder ein Isolator bleibt. Jahrzehntelang war die Standardmethode zur Vorhersage dieses Verhaltens das Lösen eines Satzes von Gleichungen, die den durchschnittlichen Zustand der Elektronen beschreiben. Während dieser Ansatz für viele Dinge gut funktioniert, scheitert er oft daran, die exakten Energieniveaus für fortschrittliche Elektronik vorherzusagen oder die flüchtigen, kurzlebigen Zustände zu erklären, die auftreten, wenn ein Material Licht absorbiert. Um diese Details korrekt zu erfassen, müssen Wissenschaftler die dynamischen, sich verschiebenden Wechselwirkungen zwischen Elektronen berücksichtigen – eine Aufgabe, die die Berechnung einer Größe erfordert, die als Selbstenergie bekannt ist. Diese Berechnung ist notorisch schwierig und teuer und beansprucht selbst für ein einzelnes Molekül oft Tage oder Wochen an Supercomputer-Zeit, was sie für die groß angelegte Entdeckung von Materialien unerreichbar gemacht hat.

Ein Forschungsteam hat nun einen Weg gefunden, diesen rechnerischen Engpass zu umgehen, indem es einem Computer beibrachte, diese komplexen Wechselwirkungen direkt vorherzusagen. Anstatt die schweren, traditionellen Berechnungen jedes Mal durchzuführen, wenn ein neues Molekül untersucht wird, trainierte das Team ein Modell der künstlichen Intelligenz darauf, die Muster des Elektronenverhaltens von Grund auf zu erlernen. Das Modell, das auf einer Grundlage physikalischer Symmetrie aufgebaut ist, kann die Anordnung der Atome in einem Molekül betrachten und die Selbstenergie sofort mit hoher Präzision vorhersagen. Die Forscher testeten diesen Ansatz an Wasserklastern und einem vielfältigen Satz organischer Moleküle und fanden heraus, dass die Vorhersagen der KI genau genug waren, um das vollständige Elektronenspektrum zu rekonstruieren, einschließlich der Energieniveaus, die bestimmen, wie das Material auf Licht reagiert. Dies bedeutet, dass Wissenschaftler, sobald das Modell trainiert ist, neue Materialien und deren elektronische Eigenschaften in einem Bruchteil der bisher benötigten Zeit erforschen können, was die Tür für das schnelle Screening von Materialien für zukünftige Technologien öffnet.

Die zentrale Herausforderung, die die Forscher bewältigten, liegt im Wesen der Selbstenergie selbst. In der Sprache der Physik ist diese Größe eine komplexe, sich verschiebende Karte, die beschreibt, wie sich die Energie eines Elektrons verändert, während es sich durch ein Material bewegt und mit seinen Nachbarn interagiert. Es handelt sich nicht um eine einzelne Zahl, sondern um eine riesige Matrix von Werten, die von der Frequenz abhängt, also davon, wie schnell der Zustand des Elektrons oszilliert. Die Berechnung daraus nach den Prinzipien der Physik beinhaltet das Verfolgen der Geschichte des Elektrons, während es sich durch ein Gitter imaginärer Frequenzen bewegt – ein Prozess, der mathematisch streng, aber rechnerisch brutal ist. Die traditionelle Methode erfordert die Konstruktion eines massiven, nicht-lokalen Objekts und anschließend die Durchführung einer schwierigen mathematischen Operation, um diese imaginären Ergebnisse in reale, beobachtbare Energien zu übersetzen. Dieser Übersetzungsschritt ist instabil; winzige Fehler in der ursprünglichen Berechnung können zu wilden, unphysikalischen Ergebnissen auf der reellen Achse explodieren, was den gesamten Prozess fragil und langsam macht.

Um dies zu lösen, entwickelte das Team ein spezialisiertes neuronales Netzwerk, eine Art künstliche Intelligenz, die darauf ausgelegt ist, die fundamentalen Symmetrien der physikalischen Welt zu respektieren. Genau wie eine Schneeflocke nach einer Rotation gleich aussieht, ändern sich die physikalischen Gesetze, die Elektronen regieren, nicht, wenn man das Molekül dreht. Die Forscher bauten ihr Netzwerk so auf, dass diese Rotationssymmetrie fest in seine Struktur kodiert ist. Dies stellt sicher, dass die KI nicht nur spezifische Beispiele auswendig lernt, sondern die zugrunde liegenden Regeln lernt, wie sich Elektronen in jeder Orientierung verhalten. Sie speisten das Netzwerk mit Daten aus Hochpräzisionsberechnungen von Wassermolekülen und einem Satz von 150 vielfältigen organischen Molekülen, bekannt als QM9. Das Ziel war es, dass die KI den Teil der „dynamischen Korrelation“ der Selbstenergie lernt, der die komplexen, zeitabhängigen Wechselwirkungen zwischen Elektronen darstellt, während sie eine Standardmethode verwendet, die schneller ist, um die statischen, unveränderlichen Teile zu handhaben.

Die Forscher testeten zwei verschiedene Wege, das Netzwerk im Umgang mit der Frequenzabhängigkeit zu unterrichten. In einem Ansatz wurde das Netzwerk darauf trainiert, die Selbstenergie an 32 spezifischen Frequenzpunkten vorherzusagen, mit einem separaten Output für jeden Punkt. Im zweiten, fortgeschritteneren Ansatz wurde die Frequenz selbst als Input an das Netzwerk gegeben, was es ermöglichte, die Selbstenergie als eine glatte, kontinuierliche Funktion zu lernen, die an jedem beliebigen Punkt abgefragt werden kann. Die Ergebnisse zeigten, dass der kontinuierliche Ansatz überlegen war. Auf der imaginären Frequenzachse, auf der die Berechnungen durchgeführt werden, sagte das Modell die Matrixelemente mit einem durchschnittlichen Fehler von weniger als einem Tausendstel eines Elektronenvolts voraus. Dieses Maß an Präzision ist entscheidend, da es bedeutet, dass die Fehler klein genug sind, um die schwierige mathematische Übersetzung zu reellen Frequenzen zu überstehen.

Als die Forscher diese Übersetzung auf die Vorhersagen der KI anwandten, waren die Ergebnisse beeindruckend. Für Wassermoleküle, von Einzelheiten bis hin zu Clustern aus vier Einheiten, entsprachen die rekonstruierten Energiespektren fast perfekt den traditionellen, hochkostspieligen Berechnungen. Die Spitzen im Spektrum, die den Energieniveaus entsprechen, an denen Elektronen existieren können, traten an exakt denselben Positionen mit der korrekten Intensität auf. Selbst für einen Cluster aus vier Wassermolekülen, den die KI während des Trainings noch nie gesehen hatte, verallgemeinerte das Modell erfolgreich und sagte das Verhalten mit nur einem geringfügigen Anstieg des Fehlers voraus. Dies demonstrierte, dass das Modell die Physik des Systems gelernt hatte, anstatt nur die Trainingsdaten auswendig zu lernen. Derselbe Erfolg erstreckte sich auf die komplexen organischen Moleküle des QM9-Satzes, bei denen die KI die Energielücken und Spektralformen korrekt vorhersagte, die für das Design optoelektronischer Bauteile entscheidend sind.

Die Studie bestätigt, dass das Erlernen der Selbstenergie auf der imaginären Achse ein praktischer und zuverlässiger Weg ist, um reale Frequenzspektren zu erhalten. Durch den Ersatz des teuersten Schritts des traditionellen Workflows durch ein trainiertes neuronales Netzwerk haben die Forscher gezeigt, dass es möglich ist, hochpräzise elektronische Eigenschaften zu erhalten, ohne für jede neue Geometie eine vollständige, kostspielige Berechnung durchzuführen. Das Modell fungt als direkter Ersatz für die Schwerstarbeit und benötigt lediglich die ursprüngliche Atomstruktur und eine Standard-Dichtefunktionaltheorie-Referenz, um Ergebnisse zu liefern, die innerhalb weniger Zehntel-Millielektronenvolt genau sind. Diese Errungenschaft deutet darauf hin, dass die Ära des High-Throughput-Screenings für fortschrittliche elektronische Materialien näher ist als je zuvor, da die Barriere der Rechenkosten durch eine Methode, welche die tiefen Symmetrien der Quantenwelt respektiert, gesenkt wird.