Auf der ChemAI 2025-Konferenz in Amsterdam wurde Eike Eberhard, Doktorand der Data Analytics and Machine Learning Group an der TUM und des Munich Data Science Institutes, für sein Poster „Learning Equivariant Non-local Electron Density Functionals” mit dem 1. Platz ausgezeichnet. Das Poster stellte eine gemeinsame Arbeit mit Nicholas Gao und Prof. Stephan Günnemann zum Thema „Lernen von Elektronendichtefunktionalen mit maschinellem Lernen, insbesondere der EG-XC-Methode” vor.
Lernen äquivariater nicht-lokaler Elektronendichtefunktionale
Viele zentrale Fragen in der Chemie und Materialwissenschaft hängen davon ab, wie Elektronen in Molekülen und Materialien angeordnet sind und wie sich diese Anordnungen während Reaktionen verändern. Die Dichtefunktionaltheorie (DFT) ist das wichtigste Werkzeug für solche Untersuchungen, aber ihre Genauigkeit hängt vom Austausch-Korrelationsfunktional ab, einer Größe, die subtile Quanteneffekte sammelt und keine geschlossene Formulierung hat. Aktuelle maschinell gelernte interatomare Potenziale (MLIPs) haben groß angelegte Simulationen ermöglicht, sind jedoch nach wie vor durch die DFT-Näherungen begrenzt, auf denen sie trainiert wurden.
Die Studie von Eberhard, Gao und Günnemann schlägt eine andere Richtung ein, indem sie darauf abzielt, die Austausch-Korrelations-Funktion selbst zu verbessern. Aufbauend auf modernen äquivarianten graphischen neuronalen Netzen komprimiert die Methode Elektronendichten zu symmetriebewussten Punktwolken-Darstellungen und modelliert Fernwechselwirkungen durch äquivariantes Message Passing. Dies ermöglicht flexible, physikalisch sinnvolle nicht-lokale Effekte bei einem Rechenaufwand, der mit dem von Standard-DFT vergleichbar ist. Ähnliche Trends lassen sich in späteren Arbeiten wie dem Skala-Funktional von Microsoft beobachten, das ebenfalls nicht-lokale Wechselwirkungen lernt und eine nahezu chemische Genauigkeit erreicht. Zusammen verdeutlichen diese Ansätze einen breiteren Wandel in diesem Bereich: Maschinelles Lernen wird nicht nur als Ersatzmodell verwendet, sondern als Werkzeug zur Verfeinerung der quantenmechanischen Grundlagen der Elektronenstrukturtheorie.
ChemAI-Konferenz
ChemAI ist eine jährliche Konferenz, die Forscher zusammenbringt, die an der Schnittstelle zwischen Chemie und künstlicher Intelligenz arbeiten. Die Veranstaltung konzentriert sich auf Fortschritte in den Bereichen Molekülmodellierung, quantenmaschinelles Lernen, Reaktionsvorhersage und datengesteuerte Materialentdeckung. Die diesjährige Ausgabe fand in Amsterdam in den Niederlanden statt und bot Wissenschaftlern aus Forschung und Industrie ein Forum, um neue Methoden vorzustellen, Ideen auszutauschen und aufkommende Trends in der KI-beschleunigten Chemieforschung zu diskutieren.