Multi-Objective Evolutionary Design of Molecules with Enhanced Nonlinear Optical Properties

Dit artikel vergelijkt verschillende evolutionaire algoritmen voor het ontwerpen van moleculen met verbeterde niet-lineaire optische eigenschappen en concludeert dat hoewel NSGA-II consistent hoge scores behaalt op individuele doelen, de MOME-methode superieur is in het verkennen van een breed scala aan structurele mogelijkheden, wat resulteert in een hogere globale hypervolume en MOQD-score.

De kern

Stel je voor dat je een kok bent die probeert het perfecte recept te vinden voor een nieuwe, revolutionaire cake. Maar deze cake is geen gewone taart; het is een molecuul dat licht op een heel speciale manier moet manipuleren. Denk aan lasers, supersnelle internetkabels of futuristische schermen. In de chemische wereld noemen we dit niet-lineaire optische (NLO) materialen.

Het probleem? Er zijn meer mogelijke recepten (moleculen) dan er zandkorrels op alle stranden ter wereld. En het vinden van het perfecte recept is een enorme uitdaging, omdat je meerdere, vaak tegenstrijdige eisen moet vervullen:

1. Het moet licht heel goed kunnen buigen (een sterk effect).
2. Het mag niet te veel licht absorberen (anders wordt het donker).
3. Het moet stabiel zijn (niet uit elkaar vallen).
4. Het moet een specifieke "energiebalans" hebben.

De auteurs van dit paper, Dominic, Jacob en Alexander van de Southwestern University, hebben gekeken hoe computers deze zoektocht het beste kunnen doen. Ze hebben verschillende "recepten voor het zoeken" (algoritmen) met elkaar vergeleken.

Hier is hoe ze het hebben aangepakt, vertaald in alledaagse termen:

1. De Zoekers: Vijf Verschillende Strategisten

Ze hebben vijf verschillende manieren getest om de beste moleculen te vinden. Je kunt ze zien als vijf verschillende soorten chefs of zoekers:

• De "Alles-of-Niets" Chef (Simulated Annealing): Deze chef probeert één recept te verbeteren. Hij begint met een willekeurig idee en maakt er kleine aanpassingen aan. Als het beter smaakt, houdt hij het. Soms accepteert hij ook iets dat slechter is, gewoon om te kijken of hij ergens anders een betere kans ziet. Hij is goed, maar zoekt niet heel breed.
• De "Winnaar-is-Alles" Chef ((𝜇+ 𝜆) Evolution): Deze chef kijkt alleen naar één ding: "Hoe sterk buigt dit licht?" Hij is zo gefocust op dat ene cijfer dat hij de rest negeert. Het resultaat? Hij vindt moleculen met een extreem hoge score voor dat ene punt, maar ze zijn vaak instabiel of onbruikbaar. Het is alsof hij een cake bakt die ontzettend zoet is, maar die in je mond uit elkaar valt.
• De "Balansmeester" (NSGA-II): Deze chef is slim. Hij weet dat je niet kunt winnen op alle fronten tegelijk. Hij probeert een compromis te vinden. Hij zoekt naar een groep recepten waarbij je niet kunt verbeteren op punt A zonder dat punt B erop achteruitgaat. Hij levert de "veiligste" en meest gebalanceerde resultaten op.
• De "Verzamelaar" (MAP-Elites): Deze chef wil niet alleen de beste cake, maar een verzameling van goede cakes voor elke gelegenheid. Hij heeft een archief met vakjes: "kleine cakes", "grote cakes", "cake met veel suiker", "cake met weinig suiker". Hij vult elk vakje met de beste versie die hij kan vinden. Hij zorgt voor diversiteit.
• De "Super-Verzamelaar" (MOME): Dit is de verzamelaar die ook nog eens de "Balansmeester" is. Hij vult elk vakje in zijn archief niet met één cake, maar met een paar cakes die allemaal een ander soort compromis bieden. Hij zoekt naar de grootste verscheidenheid aan goede opties.

2. Het Experiment: De Grote Proef

De wetenschappers lieten deze vijf "chefs" 2.000 keer proberen om nieuwe moleculen te "ontwerpen" (in feite wiskundige strings genereren die moleculen voorstellen). Ze keken naar vier belangrijke criteria:

• Hoe goed buigt het licht?
• Is het lichtdoorlatend genoeg?
• Is het energieverbruik (stabiliteit) goed?
• Is het gat tussen elektronen (HOMO-LUMO) op de juiste maat?

3. De Resultaten: Wie wint?

• De "Winnaar-is-Alles" Chef had de hoogste scores op het ene punt waar hij naar keek, maar zijn moleculen waren vaak onbruikbaar (instabiel). Het was alsof hij een auto bouwde die 500 km/u rijdt, maar waarvan de wielen eraf vallen.
• De "Balansmeester" (NSGA-II) deed het uitstekend. Hij vond moleculen die op alle punten goed presteerden. Als je één specifiek, perfect gebalanceerd molecuul nodig hebt, is dit vaak de beste keuze.
• De "Super-Verzamelaar" (MOME) won op het gebied van diversiteit. Hij vond de grootste verscheidenheid aan moleculen. Hij vulde het hele "speelveld" met goede opties. Hoewel zijn individuele scores soms net iets lager waren dan die van de Balansmeester, had hij de meeste mogelijkheden te bieden. Het is alsof hij een heel assortiment aan gerechten heeft, van soep tot taart, terwijl de anderen maar één of twee gerechten hadden.

4. De Grootste Les

De belangrijkste conclusie van het paper is dit: Als je alleen kijkt naar één cijfer, mis je de grote plaat.

Als je alleen kijkt naar hoe sterk een molecuul licht buigt, krijg je misschien iets dat instabiel is. Maar als je kijkt naar een verzameling van oplossingen (zoals MOME doet), krijg je een breed palet aan opties. Voor wetenschappers is dat goud waard, omdat ze dan kunnen kiezen welk molecuul het beste past bij hun specifieke probleem.

Kortom:
Het papier laat zien dat slimme computerprogramma's (evolutie-algoritmen) heel goed zijn in het vinden van nieuwe moleculen. Maar de beste aanpak is niet om te jagen op één perfect cijfer, maar om een verzameling van diverse, goed gebalanceerde opties te vinden. De "Super-Verzamelaar" (MOME) gaf de wetenschappers de meeste keuzevrijheid om de toekomstige technologieën te bouwen.

Extra noot: De auteurs gebruikten ook AI (Claude) om de grafieken in het paper mooier te maken, wat laat zien dat zelfs wetenschappers hulp nodig hebben bij het presenteren van hun data!

Technische samenvatting

Probleemstelling

Niet-lineaire optische (NLO) materialen zijn essentieel voor fotonica, telecommunicatie en lasertechnologieën. Het ontwerpen van nieuwe moleculen met specifieke NLO-eigenschappen is echter computatievrij uitdagend vanwege de enorme chemische ruimte en het feit dat verschillende doelen vaak met elkaar in conflict staan.
De auteurs richten zich op het ontwerpen van moleculen voor elektro-optische modulatoren. Een effectief molecuul voor dit doel moet vier specifieke eigenschappen balanceren:

1. Hoge verhouding eerste-tweede hyperpolariseerbaarheid ($\beta/\gamma$): Om sterke tweede-orde respons te garanderen zonder ongewenste derde-orde effecten (zoals zelf-fasemodulatie).
2. Linear polariseerbaarheid ($\alpha$): Moet binnen een specifiek bereik liggen (100–500 a.u.) om voldoende ladingsdragersbeweging te hebben zonder optische verliezen of aggregatie.
3. HOMO-LUMO-gap ($\Delta E$): Moet tussen 2 en 4 eV liggen om zichtbare transparantie te garanderen terwijl de NLO-activiteit behouden blijft.
4. Thermodynamische stabiliteit: Gemeten via de energie per atoom, waarbij lagere waarden (negatief) stabielere moleculen aanduiden.

Het probleem is dat het optimaliseren van één doel (bijv. alleen $\beta/\gamma$) vaak leidt tot moleculen die instabiel zijn of andere kritieke eigenschappen negeren.

Methodologie

De auteurs vergelijken verschillende evolutionaire en zoekalgoritmen om SMILES-strings (representaties van moleculaire structuren) te evolueren. De moleculen worden beperkt tot organische atomen (C, N, O, H) en hun eigenschappen worden berekend met behulp van kwantumchemische berekeningen (PySCF bibliotheek, Hartree-Fock methode met basisset 3-21G).

Onderzochte Algoritmen:

1. NSGA-II: Een multi-objectief evolutionair algoritme dat Pareto-dominantie gebruikt om een reeks trade-off oplossingen te vinden.
2. MAP-Elites: Een "Quality Diversity" (QD) algoritme dat een archief onderhoudt van de beste oplossingen in een ruimte gedefinieerd door maatstaven (aantal atomen en aantal bindingen), zonder expliciet naar meerdere doelen te zoeken.
3. MOME (Multiobjective MAP-Elites): Een hybride benadering die QD combineert met multi-objectief optimalisatie. Elk "bakje" (bin) in het archief bevat een lokaal Pareto-front in plaats van één enkele elite.
4. ($\mu + \lambda$) Selectie: Een enkel-objectief evolutionair algoritme dat uitsluitend de $\beta/\gamma$-ratio maximaliseert.
5. Simulated Annealing: Een niet-evolutionaire methode die één oplossing verbetert via een temperatuurgebaseerd acceptatiecriterium.

Diversiteitsmaatstaven:
Voor de QD-methoden (MAP-Elites en MOME) wordt een archief gebruikt dat is opgedeeld in een raster gebaseerd op:

• Aantal zware atomen (5-30).
• Aantal covalente bindingen (4-32).
  Er wordt getest met zowel een "ruw" (10x10) als een "fijn" (20x20) raster.

Belangrijkste Bijdragen

• Vergelijking van Paradigma's: Het artikel biedt een uitgebreide vergelijking tussen traditionele multi-objectief optimalisatie (MOO), Quality Diversity (QD), Multi-Objective Quality Diversity (MOQD) en enkel-objectief methoden in de context van moleculair ontwerp.
• MOQD Implementatie: Toepassing van de MOME-algoritme op een complex chemisch probleem, waarbij wordt aangetoond dat het behoud van diversiteit in structuur (via maatstaven) leidt tot een bredere verkenning van de chemische ruimte.
• Validatie van Trade-offs: Demonstreert dat het maximaliseren van één NLO-metriek (zoals $\beta/\gamma$) zonder rekening te houden met stabiliteit en andere eigenschappen leidt tot onbruikbare moleculen, terwijl multi-objectief en diversiteitsgerichte methoden betere balans bieden.

Resultaten

De resultaten zijn gebaseerd op 20 onafhankelijke runs per algoritme, waarbij de mediane prestaties worden vergeleken:

1. Enkel-objectief ($\mu + \lambda$):

   • Bereikte de hoogste $\beta/\gamma$-scores, maar presteerde slecht op alle andere doelen.
   • De gegenereerde moleculen waren vaak instabiel (hoge energie per atoom) en hadden extreme polariseerbaarheden, waardoor ze in de praktijk onbruikbaar zijn.
   • Dit illustreert het gevaar van "cheaten" door evolutionaire algoritmen wanneer ze slechts op één doel worden geoptimaliseerd.

2. NSGA-II (Multi-objectief):

   • Bereikte consistent hoge scores op elk individueel doel en leverde de beste balans voor de energie per atoom en de HOMO-LUMO-gap.
   • Produceerde echter een minder diverse set moleculen in termen van structuur (atoom- en bindingsaantallen) vergeleken met de QD-methoden.
   • Had een gemiddelde globale hypervolume, maar scoorde lager op diversiteitsmetrieken (MOQD).

3. MOME (Multi-objectief QD):

   • Beste prestatie op diversiteit en globale dekking: MOME met een fijn raster ($MOME_F$) behaalde de hoogste globale hypervolume en MOQD-scores.
   • Het ontdekte een breder scala aan structurele niches (verschillende atoom- en bindingsaantallen) dan welke andere methode dan ook.
   • Hoewel de mediane scores op individuele doelen soms iets lager waren dan die van NSGA-II, leverde het een veel rijkere verzameling van veelbelovende kandidaat-moleculen op die verschillende trade-offs vertegenwoordigen.

4. MAP-Elites (Enkel-objectief QD):

   • Presteerde verrassend goed op doelen waarvoor het niet expliciet was geoptimaliseerd (zoals stabiliteit), dankzij de diversiteitsdruk.
   • Een fijn raster was echter nadelig voor MAP-Elites, terwijl het juist gunstig was voor MOME.

5. Simulated Annealing:

   • Presteerde over het algemeen slecht, met name op diversiteit, omdat het geen populatie gebruikt.

Specifieke bevindingen over de archieven:

• Fijne granulariteit (20x20) was cruciaal voor MOME om "stepping stones" (tussenstappen in de evolutie) niet te verliezen.
• De warmtekaarten van de hypervolume tonen aan dat MOME consistent een breed gebied van de chemische ruimte beslaat, terwijl NSGA-II zich concentreert op een dunne strook en ($\mu + \lambda$) slechts een paar heldere, maar geïsoleerde punten genereert.

Significantie en Conclusie

Het onderzoek concludeert dat er geen enkele "beste" methode is voor alle doelen, maar dat de keuze afhangt van het doel van het onderzoek:

• Als het doel is om één specifieke, hoogpresterende oplossing te vinden die alle doelen perfect balanseert, is NSGA-II zeer effectief.
• Als het doel is om een diverse bibliotheek van kandidaat-moleculen te genereren voor verdere studie en om verschillende structurele mogelijkheden te verkennen, is MOME (MOQD) overduidelijk superieur.

De studie benadrukt dat multi-objectief optimalisatie essentieel is in het moleculair ontwerp; het maximaliseren van één NLO-eigenschap leidt vaak tot fysisch onrealistische of instabiele moleculen. De combinatie van diversiteit (QD) en multi-objectief optimalisatie (MOO) via MOME biedt de meest robuuste aanpak voor het ontdekken van nieuwe, bruikbare NLO-materialen. De auteurs hebben ook gewezen op de noodzaak om kwantumchemische berekeningen zorgvuldig te valideren, aangezien SCF-convergentiefouten bij zeer vervormde moleculen tot onrealistisch hoge scores kunnen leiden.