
Arthur Kosmala
Data Analytics and Machine Learning
Molekulare Modellierung auf Grundlage neuronaler Netze mit langreichweitigen Methoden aus Physik, Chemie und Materialwissenschaft
Die molekulare Modellierung hat unsere Fähigkeit zur Vorhersage anwendungsrelevanter Eigenschaften von Molekülen und Materialien durch Einblicke in ihr atomistisches Verhalten im kleinen Maßstab erheblich verbessert. Quantenchemische Berechnungen bieten eine hervorragende Genauigkeit, reichen aber selten über Systeme mit einer Größe von einigen hundert Atomen hinaus. Aufgrund dieser Leistungslücke wurden in den letzten Jahren immer mehr Methoden entwickelt, die quantenchemische Referenzdaten zum Trainieren von Surrogatmodellen mit neuronalen Netzen nutzen. Dieser Ansatz verspricht, die Genauigkeit der Grundprinzipien beizubehalten und gleichzeitig die Inferenz um Größenordnungen zu beschleunigen.
Neuronale Netze, die molekulare Geometrien verarbeiten, führen häufig eine Reihe von Faltungen über die atomare Punktwolke oder den molekularen Graphen durch, wobei jede Faltung durch einen vorher festgelegten Bereich begrenzt ist. Diese gängige Praxis, Wechselwirkungen abzuschneiden, steht in krassem Gegensatz zur chemischen Realität, in der die Eigenschaften vieler unterschiedlicher und funktionell relevanter Systeme durch hochgradig nichtlokale Wechselwirkungen wie Elektrostatik und Dispersion bestimmt werden. In meiner Doktorarbeit möchte ich dieses Problem angehen, indem ich Architekturen für neuronale Netze entwerfe, die direkt von rigorosen Langstreckentechniken aus der Physik, Chemie und Materialwissenschaft inspiriert sind. Meine frühere und aktuelle Arbeit konzentriert sich auf Methoden, die Darstellungen des realen und des Frequenzraums in einer gemeinsamen Architektur kombinieren - ganz analog zur klassischen Technik der Ewald-Summierung. Da mein primärer Hintergrund in der theoretischen Physik liegt, fühle ich mich von Natur aus zu interdisziplinärer Arbeit hingezogen und schätze das MDSI als kollaborativen Raum, der solche Diskussionen ermöglicht, sehr.