Extension of Graph Convolution Network for Sigma-Profile Prediction to Silicon-Containing Compounds

In der weiten Welt des Chemieingenieurwesens ist die Vorhersage, wie sich verschiedene Substanzen beim Mischen verhalten werden, eine grundlegende Herausforderung. Stellen Sie sich vor, Sie versuchen, ein neues Schmiermittel, ein Kältemittel oder eine Beschichtung für elektronische Geräte zu entwickeln, ohne zu wissen, wie die Inhaltsstoffe unter Hitze oder Druck miteinander interagieren werden. Seit Jahrzehnten verlassen sich Wissenschaftler auf komplexe Computersimulationen basierend auf der Quantenmechanik, um diese Wechselwirkungen abzubilden. Diese Simulationen berechnen die elektrische Ladungsverteilung auf der Oberfläche jedes Moleküls und erstellen so einen einzigartigen Fingerabdruck, der bestimmt, wie das Molekül mit seinen Nachbarn bindet. Obwohl dies genau ist, ist dieser Prozess unglaublich langsam und teuer und erfordert leistungsstarke Supercomputer sowie spezialisiertes Fachwissen. Es ist, als würde man versuchen, das exakte Gewicht jedes einzelnen Sandkorns an einem Strand zu messen, um die Form des Strandes zu verstehen; die Daten sind perfekt, aber der Aufwand ist oft zu groß für eine schnelle Entdeckung.

Um dies zu beschleunigen, haben Forscher auf maschinelles Lernen zurückgegriffen und Computer darauf trainiert, Muster in molekularen Strukturen zu erkennen, damit sie diese Fingerabdrücke vorhersagen können, ohne jedes Mal die schweren Simulationen durchzuführen. Dennoch blieb eine erhebliche Lücke in diesem Ansatz bestehen. Die meisten bestehenden Modelle wurden auf gängigen organischen Verbindungen trainiert, die aus Kohlenstoff, Wasserstoff und Sauerstoff bestehen. Sie hatten Schwierigkeiten, wenn sie mit siliziumhaltigen Verbindungen konfrontiert wurden – einer Klasse von Materialien, die für alles essenziell sind, von Dichtungen und Schmiermitteln bis hin zu den Chips in unseren Computern. Da Silizium sich anders verhält als Kohlenstoff, konnten die alten Modelle nicht genau vorhersagen, wie diese Materialien in Mischungen reagieren würden, was Ingenieure dazu zwang, zu raten oder sich auf spärliche experimentelle Daten zu verlassen.

Ein Team von Forschern der Korea University und SK Inc. AX hat diese Lücke nun geschlossen, indem sie die Reichweite dieser prädiktiven Werkzeuge erweitert haben. Sie entwickelten ein neues Framework, das eine spezialisierte Art der künstlichen Intelligenz mit einem verfeinerten thermodynamischen Modell kombiniert, um das Verhalten von siliziumbasierten Chemikalien präzise vorherzusagen. Anstatt die langsamen, schweren Quantenberechnungen für jedes neue Molekül durchzuführen, betrachtet ihr System die Molekülstruktur – insbesondere die Anordnung der funktionellen Gruppen – und generiert augenblicklich die notwendige Oberflächenladungskarte. Diese Karte, bekannt als Sigma-Profil, dient als Blaupause dafür, wie das Molekül mit anderen interagiert.

Die Forscher begannen mit dem Aufbau einer massiven neuen Trainingsdatenbank. Sie nahmen eine bestehende Sammlung von über 3.500 organischen Verbindungen und fügten 546 neu generierte siliziumhaltige Verbindungen hinzu, wodurch die Gesamtzahl auf 4.102 verschiedene Moleküle anstieg. Um die Trainingsdaten für diese neuen Siliziumverbindungen zu erstellen, führten sie zunächst die strengen Quantenberechnungen durch, um die korrekte „Ground Truth“ (Grundwahrheit) zu etablieren. Dann trainierten sie ihr Machine-Learning-Modell, das ein graphbasiertes neuronales Netzwerk verwendet, um die spezifischen Muster von siliziumzentrierten Gruppen zu erkennen, wie etwa Siliziumatome, die mit Wasserstoff oder Sauerstoff gebunden sind. Dies ermöglichte es dem Modell, die einzigartige chemische Sprache des Siliziums zu erlernen, die in bisherigen Datensätzen fehlte.

Nach dem Training wurde das Modell darauf getestet, das Dampf-Flüssigkeits-Gleichgewicht verschiedener Gemische vorherzusagen. Dies ist eine kritische Messgröße, die Ingenieuren verrät, bei welcher Temperatur und welchem Druck ein Flüssigkeit in ein Gas übergeht oder wie sich zwei Flüssigkeiten trennen. Die Forscher verglichen die Vorhersagen des Modells mit realen experimentellen Daten für binäre Systeme unter Beteiligung von Siliziumverbindungen. Die Ergebnisse waren hochgradig genau. Das Modell sagte den Druck des Systems mit einem durchschnittlichen Fehler von nur 4,56 Prozent und die Zusammensetzung des Dampfes mit einem Fehler von lediglich 0,02 im Molenbruch voraus. Diese Zahlen zeigen, dass der Machine-Learning-Ansatz das Verhalten komplexer Siliziummischungen mit einer Präzision reproduzieren kann, die mit den viel langsameren, traditionellen Quantenmethoden konkurriert.

Ein wesentlicher Teil dieses Erfolgs war die Einführung eines aktualisierten thermodynamischen Modells, das Carbonsäure-Wechselwirkungen explizit berücksichtigt und so sicherstellt, dass selbst Moleküle mit spezifischen sauren Gruppen korrekt behandelt werden. Der gesamte Prozess funktioniert, ohne Molekülstrukturdateien zu generieren oder Quantenberechnungen für die Zielmoleküle durchzuführen. Stattdessen nimmt er eine einfache Textzeichenfolge, die die Struktur des Moleküls repräsentiert, und gibt die notwendigen thermodynamischen Eigenschaften in einem Bruchteil der Zeit aus. Diese Errungenschaft stellt ein praktisches, effizientes Werkzeug für die chemische Industrie bereit, das das schnelle Screening und Design neuer siliziumbasierter Materialien für Elektronik, Kühlung und industrielle Beschichtungen ermöglicht – und das ganz ohne den Rechenengpass, der die Entdeckung bisher verlangsamt hat.