Maschinelles Lernen ermöglicht präzise Quantenchemie-Berechnungen für die Arzneimittelforschung
Forscher haben eine Methode namens STRUCTURES25 entwickelt, die präzise Quantenchemie-Berechnungen für große arzneimittelähnliche Moleküle mittels eines orbitalfreien Ansatzes ermöglicht. Der Durchbruch löst ein jahrzehntealtes Stabilitätsproblem in der Computerchemie und reduziert gleichzeitig den Rechenaufwand. Dieser Fortschritt könnte die Arzneimittelforschung und Materialwissenschaft beschleunigen.
Wissenschaftler haben einen bedeutenden Durchbruch in der Computerchemie erzielt, indem sie maschinelles Lernen eingesetzt haben, um ein jahrzehntealtes Dilemma in der Quantenchemie zu lösen. Dies ermöglicht präzise und stabile Berechnungen von Molekülenergien und Elektronendichten mit deutlich geringerem Rechenaufwand. Der neue orbitalfreie Ansatz erlaubt Berechnungen für sehr große Moleküle, einschließlich "arzneimittelähnlicher" Moleküle, und zeigt erstmals mit dieser Methode stabile Konvergenz.
Der Durchbruch beinhaltet einen neuen Prozess namens STRUCTURES25, der auf einem speziell entwickelten neuronalen Netzwerk basiert, das die Beziehung zwischen Elektronendichte und Energie direkt aus präzisen Referenzberechnungen lernt. Das Modell erfasst die chemische Umgebung jedes einzelnen Atoms in einer mathematisch detaillierten Darstellung. Ein einzigartiges Trainingskonzept war entscheidend: Das Modell wurde nicht nur mit konvergierten Elektronendichten trainiert, sondern auch mit vielen Varianten um die korrekte Lösung herum – erzeugt durch gezielte, kontrollierte Änderungen in den zugrundeliegenden Referenzberechnungen.
Dieser Rechenprozess ist daher in der Lage, selbst bei kleinen Abweichungen eine physikalisch sinnvolle Lösung für Molekülenergien und Elektronendichten zuverlässig zu finden. Er bleibt stabil, ohne sich in der Berechnung zu "verirren". In Tests an einer großen und vielfältigen Sammlung organischer Moleküle erreichte STRUCTURES25 eine Präzision, die mit etablierten Referenzberechnungen konkurrieren kann. Erste Laufzeitvergleiche beweisen, dass der Rechenprozess mit wachsender Molekülgröße besser skalieren und somit die Geschwindigkeit der Berechnung erhöhen kann.
Wie Elektronen in einem Molekül verteilt sind, bestimmt seine chemischen Eigenschaften – von seiner Stabilität und Reaktivität bis hin zu seiner biologischen Wirkung. Diese Elektronenverteilung und die daraus resultierende Energie zuverlässig zu berechnen, ist eine der zentralen Funktionen der Quantenchemie. Diese Berechnungen bilden die Grundlage vieler Anwendungen, bei denen Moleküle spezifisch verstanden und entworfen werden müssen, wie zum Beispiel für neue Arzneimittel, bessere Batterien, Materialien für die Energieumwandlung oder effizientere Katalysatoren.
In der Quantenchemie werden Moleküle häufig mit der Dichtefunktionaltheorie beschrieben, die die grundlegende Vorhersage chemischer Moleküleigenschaften ermöglicht, ohne die quantenmechanische Wellenfunktion berechnen zu müssen. Stattdessen wird die Elektronendichte als Hauptgröße verwendet – eine Vereinfachung, die Berechnungen schließlich praktikabel macht. Dieser orbitalfreie Ansatz verspricht besonders effiziente Berechnungen, wurde aber bisher als kaum nützlich angesehen, da kleine Abweichungen in der Elektronendichte zu instabilen oder "nicht-physikalischen" Ergebnissen führten.
Parallel dazu haben Forscher auch Fortschritte bei Quantencomputing-Ansätzen für Molekülsimulationen erzielt. Die Grundzustandsenergieabschätzung für Molekülsysteme mit aktiven Räumen von 20-50 räumlichen Orbitalen ist nun mit etwa 100.000 physischen Qubits möglich. Klassische Full Configuration Interaction-Methoden, die als "Goldstandard" für molekulare elektronische Strukturberechnungen gelten, werden rechnerisch unzureichend für die Modellierung von Systemen mit mehr als etwa 20 Elektronen in 20 Orbitalen – eine Einschränkung, die als "exponentielle Wand" bekannt ist.
Dies schränkt genaue Simulationen komplexer Moleküle ein, die für das Verständnis chemischer Reaktionen, Materialeigenschaften und biologischer Prozesse entscheidend sind. Das Team demonstrierte breite Anwendbarkeit über einfache Moleküle hinaus, indem es seinen Rahmen auf Modelle von Eisen-Schwefel-Clustern anwandte, die eine wichtige Rolle im biologischen Elektronentransfer spielen, auf Cytochrom P450-Aktivzentren, die für den Arzneimittelmetabolismus und die Entgiftung wichtig sind, und auf Katalysatoren, die für die Kohlendioxidnutzung entwickelt wurden.