2017 Januar

Maschinelles Lernen erobert die klassischen Naturwissenschaften

Wednesday, 25th January 2017Ausgewählte Publikationen

Gemeinsame Presseerklärung der Technischen Universität Berlin, des Fritz-Haber-Instituts der Max-Planck-Gesellschaft und der Universität Luxemburg, verfasst von Katharina Jung, Wissenschaftsjournalistin)

Ein interdisziplinäres Team von Wissenschaftlern der Technischen Universität Berlin, des Fritz-Haber-Instituts der Max-Planck-Gesellschaft und der Universität Luxemburg hat einen Algorithmus entwickelt, der aus Chemiedaten lernt und ein neues Verständnis komplexer Moleküle erzeugt. Diese Arbeit zeigt das Potenzial von künstlicher Intelligenz oder maschinellem Lernen, den Erkenntnisgewinn in den Naturwissenschaften voranzutreiben.

In den letzten Jahren haben datengetriebene Lern-Algorithmen diverse Disziplinen revolutioniert, darunter die Suche im Internet, Textanalyse und maschinelle Übersetzung sowie Sprach- und Bilderkennung. Aus diesem Grund investieren Technologieunternehmen wie Google, Amazon, Facebook und Microsoft massiv in maschinelles Lernen und künstliche Intelligenz – ein sehr rechenintensives Feld, das unter anderem durch den Einsatz von Grafikkarten zur parallelen Berechnung der Algorithmen große Fortschritte machen konnte. Im Gegensatz dazu sind Lern-Algorithmen, die in den Naturwissenschaften eingesetzt werden, oft noch eher simpel und waren bisher nicht in der Lage, neue physikalische oder chemische Gesetze zu finden, die ihnen nicht explizit vorgegeben waren.

Jetzt haben die Gruppen von Prof. Dr. Klaus-Robert Müller (TU Berlin) und Prof. Dr. Alexandre Tkatchenko (Universität Luxembourg und FHI Berlin) einen Lernalgorithmus entwickelt, der das Verhalten von komplexen Molekülen aus einer großen Datenbank von quantenchemischen Berechnungen analysieren und dadurch Neues entdecken kann. Insbesondere haben die Wissenschaftler ein sogenanntes „deep tensor neural network“ (DTNN) entwickelt, welches automatisch eine Repräsentation für Atominteraktionen in Molekülen findet. Dies ermöglicht chemisch und örtlich aufgelöste Einsichten in quantenmechanische Messgrößen. So konnte das DTNN zum Beispiel eine Gruppe von chemischen Molekülen (sogenannte aromatische Ringe) bezüglich ihrer Stabilität neu klassifizieren sowie Moleküle mit außergewöhnlicher elektronischer Struktur identifizieren. Insgesamt demonstriert diese Arbeit das hohe Potenzial von künstlicher Intelligenz in der Chemie und anderen Naturwissenschaften.

„Die Interpretierbarkeit von statistischen Modellen ist entscheidend, da sie deren Grenzen und Schwächen aufzeigen kann. Bislang wurde das maschinelle Lernen vor allem angewendet, um möglichst genaue Vorhersagen zum Beispiel über die Energien bestimmter chemischer Moleküle zu machen. Allerdings hatte man keine Erkenntnisse über den zugrundeliegenden Mechanismus. Jetzt ist es uns erstmals gelungen, in einer Art ‘Rückwärtsschritt‘ anhand der Vorhersagen, die das maschinelle Lernen über bestimmte Moleküle macht, Erkenntnisse über die zugrundeliegenden naturwissenschaftlichen Phänomene zu gewinnen. Wir können die Ergebnisse interpretieren. Dadurch können wir effektivere und genauere Modelle konstruieren. Interpretierbarkeit war das fehlende Puzzlestück, um maschinelles Lernen zu einem weit verbreiteten Werkzeug in der wissenschaftlichen Forschung zu machen“, sagt Prof. Dr. Klaus-Robert Müller, Leiter des Fachgebiets Maschinelles Lernen an der Technische Universität Berlin.

„Aufgrund der unkonventionellen Kombination aus künstlicher Intelligenz und Quantenmechanik, kann unsere Methode neuartige chemische Erkenntnisse gewinnen, wie statistische Maße für Molekülstabilität und Aromatizität, und somit den Weg für eine breitere Anwendung in der chemischen Forschung bereiten“, sagt Prof. Dr. Alexandre Tkatchenko, Leiter der Gruppe für Theoretische Chemische Physik an der Universität Luxembourg.

Diese Arbeit wurde gefördert von der Einstein Stiftung Berlin sowie der DFG, dem BMBF (Berlin Big Data Center) und dem European Research Council.

Originalveröffentlichung:

[1] Kristof T Schütt, Farhad Arbabzadah, Stefan Chmiela, Klaus-Robert Müller, Alexandre Tkatchenko
Quantum-chemical insights from deep tensor neural networks
Nature Communications, 9th January 2017, DOI: 10.1038/NCOMMS13890

Weitere Informationen erteilen Ihnen gern:
Prof. Dr. Klaus-Robert Müller
TU Berlin, Machine Learning Group und Berlin Big Data Center
Tel.: 030/314-78620
Prof. Dr. Alexandre Tkatchenko
University of Luxembourg, Theoretical Chemical Physics group
Tel.: +352 46 66 44 5138

Gerard Meijer decorated as a Knight of the Order of the Netherlands Lion

Monday, 16th January 2017Preise und Auszeichnungen
GM_Radoboud_Farewell2

Photo taken by Prof. H.-J. Freund/FHI

For his exceptional achievements as President of the Executive Board of Radboud University, Gerard Meijer was knighted on the occasion of his farewell ceremony.

The university states in a press release:

„Under the presidency of Gerard Meijer, Radboud University has celebrated many successes. Researchers at the University received no less than five Spinoza Prizes—the highest scientific distinction in the Netherlands. Three Gravitation Programmes with Nijmegen consortium leadership were awarded. With the Radboud Excellence Initiative, an idea of Gerard Meijer, international scientific talent from all over the world was attracted to Nijmegen.

Throughout his tenure, the University was annually named the Best Comprehensive University in the Netherlands, most recently receiving the honour for the sixth consecutive year. The campus was made even more beautiful with the new Faculty of Law building and the purchase of the Berchmanianum. He achieved success for the joint Dutch Universities in his dealings with publishers in the field of open access, which enabled free access to scientific articles for everyone.“

Read the full press release here.

 

 


Ehrendoktorwürde für Hans-Joachim Freund

hans-joachim-freundHerrn Professor Freund, Direktor der Abteilung Chemische Physik, wurde am 12. Januar 2017 die Ehrendoktorwürde der Naturwissenschaftlichen Fakultät der Friedrich-Alexander-Universität Erlangen-Nürnberg verliehen.

 

Lesen Sie mehr unter https://www.chemie.nat.fau.de/2017/01/10/verleihung-der-ehrendoktorwuerde-an-prof-dr-hans-joachim-freund/

 

 


Freie-Elektronen-Laser macht „molekulares Kugellager“ sichtbar

Tuesday, 3rd January 2017Diverses

 

Die Doktoranden Matias Fagiani (li.) und Sreekanta Debnath (re.) vor dem Undulator des Freie-Elektronen-Lasers am Fritz-Haber-Institut.

Die Doktoranden Matias Fagiani (li.) und Sreekanta Debnath (re.) vor dem Undulator des Freie-Elektronen-Lasers am Fritz-Haber-Institut.

Der Freie-Elektronen-Laser (FEL) des Fritz-Haber-Instituts (FHI) erzeugt intensive Pulse von Infrarotstrahlung, deren Wellenlänge über einen weiten Bereich variiert werden kann. Im Gegensatz zu konventionellen Lasern, wo die Strahlung in einem Gas, einer Flüssigkeit oder einem Festkörper entsteht, wird sie im FEL von einem Elektronenstrahl erzeugt, der frei durch ein Vakuumrohr verläuft. Durch starke, abwechselnd gepolte Magnetfelder werden die Elektronen in einem sogenannten Undulator (siehe Abb. 1) wie beim Slalom zum Schlingern (Undulation) gebracht; dadurch senden sie Strahlung aus.. Die Wellenlänge der Strahlung kann durch Änderung der Elektronenenergie oder der Magnetfeldstärke variiert werden Bevor die Elektronen den Undulator durchlaufen, müssen sie allerdings auf nahezu Lichtgeschwindigkeit beschleunigt werden. Dazu benötigt man einen aufwendigen Elektronenbeschleuniger. Eine solche Anlage ist seit 2013 am Fritz-Haber-Institut in Betrieb.

In Zusammenarbeit mit Wissenschaftlern vom Wilhelm-Ostwald-Institut für Physikalische und Theoretische Chemie der Universität Leipzig und dem Institut für Optik und Atomare Physik der Technische Universität Berlin konnte die Strahlung des FHI FEL genutzt werden, um ein außergewöhnliches molekulares System, die Bor-Verbindung B13+, zu erforschen. Es war schon länger bekannt, dass genau dreizehn Bor-Atome eine besonders stabile Verbindung, einen sogenannten „magischen Cluster“, bilden können. Dessen Struktur ist planar und besteht aus zwei konzentrisch angeordneten Ringen: einem inneren Ring aus drei und einem äußeren Ring aus zehn Bor-Atomen (siehe Abb. 2). Das Besondere daran ist, dass die Struktur zwar außerordentlich stabil, aber trotzdem nicht starr ist. Die Arbeitsgruppe um Thomas Heine (Theoretische Chemie, Leipzig) hatte schon vor einigen Jahren theoretisch vorausgesagt, dass die beiden Ringe sich wie in einem Kugellager gegeneinander verdrehen lassen, ohne dadurch die Gesamtstabilität der Verbindung zu beeinträchtigen. Die Elektronenpaare übernehmen dabei die Rolle der Kugeln, die eine quasi reibungslose, gegenläufige Bewegung der atomaren Ringe ermöglichen.

Der Arbeitsgruppe von Knut Asmis (Physikalische Chemie, Leipzig) ist es in Zusammenarbeit mit André Fielicke (TU Berlin) gelungen, dieses ungewöhnliche molekulare System aus Bor herzustellen. Der Nachweis dafür, dass die Struktur tatsächlich aus zwei konzentrischen Ringen aufgebaut ist und diese wie vorhergesagt gegeneinander rotieren können, konnte mit Hilfe des FHI FEL erbracht werden. Dessen intensive IR-Strahlung von durchstimmbarer Wellenlänge ermöglichte die Messung des Schwingungsspektrums von B13+. Solch ein Spektrum ist wie ein Fingerabdruck der in einem Molekül oder Cluster möglichen Bewegungen. Für den B13+-Cluster geht aus dem Spektrum der eindeutige Hinweis auf die Quasirotation der beiden Ringe zueinander hervor.titelbild_de_png

Für Wieland Schöllkopf, den wissenschaftlichen Leiter des FHI FEL, ist dieses Resultat, das mit keinem konventionellen Laser möglich gewesen wäre, ein beeindruckendes Beispiel für die Anwendungsmöglichkeiten der FEL-Strahlung. Darüber hinaus führt der Nachweis eines aus nur 13 Atomen bestehenden molekularen Kugellagers in das spannende und hochaktuelle Forschungsgebiet der sogenannten „Molekularen Maschinen“, ein Forschungsgebiet, dessen Entwicklung just mit dem Nobelpreis für Chemie 2016 ausgezeichnet wurde.

Veröffentlichung:

Untersuchung der Struktur und Dynamik des B13+ mithilfe der Infrarot-Photodissoziationsspektroskopie
M.R. Fagiani, X. Song, P. Petkov, S. Debnath, S. Gewinner, W. Schöllkopf, T. Heine, A. Fielicke, K.R. Asmis
Angew. Chem. 129, 515-519 (2017)