SALTED: a symmetry-adapted machine-learning program for predicting electron-densities in molecules and materials

Om de wereld van atomen en moleculen te begrijpen, vertrouwen wetenschappers op een kaart van waar elektronen waarschijnlijk te vinden zijn. Deze minuscule, negatief geladen deeltjes zijn de lijm die materie bij elkaar houdt, en hun rangschikking bepaalt hoe materialen zich gedragen, van de sterkte van een stalen balk tot de manier waarop een medicijn bindt aan een eiwit. De krachtigste tool voor het tekenen van deze kaart is een methode genaamd dichtheidsfunctionaaltheorie. Het is een rigoureuze manier om het gedrag van elektronen te berekenen op basis van de wetten van de kwantummechanica. Echter, deze methode is ongelooflijk veeleisend. Het vereist enorme rekenkracht en tijd, en kost vaak dagen of weken om zelfs een enkel molecuul of een klein deel van een materiaal te simuleren. Terwijl wetenschappers proberen grotere systemen te bestuderen of te observeren hoe ze over langere perioden veranderen, wordt de kostprijs van deze berekeningen een barrière, wat de ontdekking van nieuwe materialen en medicijnen vertraagt.

Een team van onderzoekers heeft een nieuwe aanpak ontwikkeld om deze flessenhals te omzeilen zonder aan nauwkeurigheid in te boeten. Ze hebben een softwarepakket ontwikkend genaamd SALTED, dat machine learning gebruikt om de vorm van de elektronenwolk rond atomen te voorspellen. In plaats van elke keer de volledige, zware berekening uit te voeren, leert de software de patronen van elektronengedrag van een kleine set hoogwaardige voorbeelden. Eenmaal getraind, kan het de elektronendichtheid voor nieuwe, ongeziene rangschikkingen van atomen direct genereren. Dit stelt wetenschappers in staat om toegang te krijgen tot hetzelfde niveau van detail als de meest geavanceerde kwantumcalculaties, maar tegen een fractie van de tijd en kosten, wat de deur opent naar het simuleren van complexe materialen die voorheen buiten bereik lagen.

De kern van deze nieuwe tool is een slimme manier om de elektronendichtheid te beschrijven. In plaats van te proberen elke individuele punt in de lege ruimte rond een atoom in kaart te brengen, breken de onderzoekers de elektronenwolk af in stukken die gecentreerd zijn rond elk atoom. Stel je de elektronenwolk voor als een complex beeldhouwwerk; in plaats van elke curve en schaduw in de lucht te beschrijven, beschrijft de software het beeldhouwwerk door de specifieke vormen en maten van de bouwstenen op te sommen die rond elk atoom zijn gestapeld. Deze methode is zeer efficiënt omdat het zich richt op de lokale chemische omgeving. Als twee verschillende moleculen een vergelijkbare rangschikking van atomen hebben, herkent de software dat de elektronenwolken rond die atomen er vergelijkbaar uit zullen zien, waardoor het kan leren van het ene systeem naar het andere te transfereren.

De software is gebouwd om naadloos samen te werken met de tools die wetenschappers al gebruiken. Het koppelt direct met drie belangrijke programma's die de zware kwantumcalculaties uitvoeren: CP2K, FHI-aims en PySCF. Onderzoekers kunnen deze vertrouwde programma's gebruiken om een kleine bibliotheek van referentiedata te genereren—eigenlijk een set "gouden standaard" voorbeelden van elektronendichtheden. SALTED bestudeert vervolgens deze voorbeelden om de relatie tussen de posities van de atomen en de resulterende elektronvormen te leren. Omdat de software is ontworpen om de fundamentele symmetrieën van de natuur te respecteren, hoeft het niet elk mogelijk scenario uit het hoofd te leren. In plaats daarvan begrijpt het de regels van hoe elektronen zich moeten gedragen, wat het zeer goed maakt in het voorspellen van resultaten, zelfs wanneer het weinig voorbeelden heeft gezien. Dit is een cruciaal voordeel, aangezien berekeningen op hoog niveau duur zijn om te produceren, waardoor wetenschappers vaak slechts over een beperkt aantal datapunten beschikken.

Een van de meest kenmerkende functies van dit programma is het vermogen om te voorspellen hoe de elektronenwolk reageert wanneer er een elektrisch veld wordt toegepast. Net zoals een magneet beweegt wanneer er een magneet in de buurt wordt gebracht, verschuift en vervormt de elektronenwolk wanneer er een elektrische kracht wordt uitgeoefend. De software kan deze respons leren, en voorspellen hoe de dichtheid in realtime verandert. Deze capaciteit is essentieel voor het begrijpen van materialen die elektriciteit geleiden of reageren op sensoren, zoals de elektroden in batterijen of de oppervlakken van zonnecellen. Door dit dynamische gedrag te vangen, biedt de tool een completer beeld van hoe materialen functioneren onder realistische omstandigheden.

De onderzoekers hebben deze aanpak al getest in praktische wetenschappelijke workflows, en de resultaten laten een dramatische verbetering in snelheid zien. In één toepassing bij de simulatie van ionische condensatoren, versnelde het gebruik van dit machine-learningmodel de berekening van elektrostatische krachten met een factor duizend vergeleken met traditionele methoden. Deze versnelling maakte het voor onderzoekers mogelijk om simulaties uit te voeren die anders onmogelijk zouden zijn, zoals het bestuderen van de elektronische eigenschappen van gedraaide lagen van materialen over extreem grote gebieden. De software maakt ook de berekening van andere belangrijke eigenschappen mogelijk, zoals hoe een materiaal polariseert of hoe het interageert met licht, die rechtstreeks afgeleid worden van de voorspelde elektronendichtheid.

De tool is ontworpen om toegankelijk en flexibel te zijn voor de wetenschappelijke gemeenschap. Het is een open-source pakket, wat betekent dat de code beschikbaar is voor iedereen om te gebruiken, te inspecteren en te verbeteren. Het is georganiseerd in duidelijke stappen: het voorbereiden van de data, het trainen van het model en het doen van voorspellingen. Deze structuur stelt onderzoekers in staat om hun werk te pauzeren, hun voortgang op te slaan en later te hervatten, wat essentieel is bij het werken met grote datasets op krachtige supercomputers. De software handelt de complexe wiskunde achter de schermen af, waarbij efficiënte algoritmen worden gebruikt om de data te verwerken zonder dat de gebruiker een expert in machine learning hoeft te zijn. Het overbrugt de kloof tussen het zware werk van de kwantumfysica en de snelheid van moderne datawetenschap.

Door een manier te bieden om elektronendichtheden snel en nauwkeurig te voorspellen, biedt dit werk een nieuw pad voor de ontdekking van materialen. Wetenschappers kunnen nu enorme chemische ruimtes verkennen, en duizenden potentiële materialen testen in de tijd die vroeger nodig was om slechts een paar te bestuderen. Of het doel nu is om betere batterijen, efficiëntere katalysatoren of nieuwe elektronische apparaten te ontwerpen, het vermogen om de elektronenwolk duidelijk en snel te zien, is een krachtig bezit. De software vervangt de fundamentele wetten van de fysica niet; in plaats daarvan fungeert het als een zeer getrainde gids die het terrein zo goed kent dat hij de weg kan wijzen zonder elke stap opnieuw te hoeven lopen. Deze aanpak vertegenwoordigt een belangrijke stap naar het maken van de gedetailleerde simulatie van materie een routinematig onderdeel van wetenschappelijk onderzoek, in plaats van een zeldzame en dure luxe.