Artificial Intelligence in Theoretical Chemistry

Michael GasteggerUniversity 2017 · DOI

Abstract

Strategien aus dem Forschungsbereich der künstlichen Intelligenz und insbesondere dem Gebiet des maschinellen Lernens eröffnen vielversprechende alternative Lösungswege für zahlreiche Probleme aus der theoretischen Chemie. Unglücklicherweise wird eine routinemäßige Anwendung dieser Methoden zur Zeit noch durch zahlreiche Komplikationen erschwert, welche Aufgrund des relativ jungen Alters dieses Forschungsgebietes sowie der hohen Komplexität der verwendeten Modelle auftreten. Das Ziel dieser Arbeit ist es daher, diese Hürden sowohl durch die Verbesserung von vorhandenen als auch die Entwicklung von neuartigen Herangehensweisen zu überwinden. Zu den zu diesem Zwecke eingeführten Neuerungen zählen: 1) Ein verbesserter Algorithmus zum Trainieren von hochdimensionalen neuronalen Netzwerkpotentialen (HDNNPs), ein Ansatz aus dem Bereich des maschinellen Lernens, welcher besonders für die Beschreibung von Molekülen geeignet ist. Die Verwendung dieses Trainingsalgorithmus – des sogenannten „element-decoupled“ Kalman Filters – macht es möglich, hochqualitative HDNNPs zu konstruieren und darüber hinaus auch molekulare Kräfte im Konstruktionsvorgang zu berücksichtigen. 2) Ein Fragmentationsansatz basierend auf HDNNPs wurde einführt, um große Moleküle beschreiben zu können. Mittels dieses Ansatzes können die Eigenschaften großer Moleküle allein anhand kleiner molekularer Fragmente vorhergesagt und so enorme Einsparungen an Rechenzeit erzielt werden. 3) Eine adaptive Selektionsstrategie stellt eine Ergänzung zu den beiden vorherigen Entwicklungen dar und ist in der Lage vollautomatisch jene Molekülgeometrien zu identifizieren, welche notwendig sind um ein chemisch aussagekräftiges HDNNP zu erhalten. 4) Eine Modifizierung der HDNNP Struktur ermöglicht es, ein generelles Modell für die Vorhersage von molekularen Dipolmomenten zu erhalten. Die Brauchbarkeit dieser neu eingeführten Methoden wird anhand einer Reihe von unterschiedlichen chemischen Testsystemen untersucht. Eine Analyse der Leistungsfähigkeit des „element-decoupled“ Kalman Filters erfolgt anhand der Claisen-Umlagerung von Allyl-vinylether zu 4-Pentenal. Lineare Alkanketten dienen der Untersuchung des HDNNP-basierten Fragmentationsansatzes. Eine weitere Studie beschäftigt sich mit der adaptiven Selektionsstrategie und dem Modell zur Vorhersage von Dipolmomenten. Im Rahmen dieser Studie werden die Infrarotspektren von Methanol, n-Alkanen unterschiedlicher Länge sowie des Alanintripeptidkations mittels Moleküldynamik simuliert.
BibTeX
@inproceedings{gastegger2017artificial,
  author = {Michael Gastegger},
  title = {{Artificial Intelligence in Theoretical Chemistry}},
  booktitle = {University},
  year = {2017},
  doi = {10.25365/thesis.48122},
}

Loading related content...

Figure