idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
idw - Informationsdienst
Wissenschaft
Forschende haben ein neuronales Netzwerk trainiert, das die Geometrie eines Moleküls vor dessen Explosion bestimmen kann.
Forscherinnen und Forscher am SLAC National Accelerator Laboratory in den Vereinigten Staaten, am European XFEL und an kooperierenden Institutionen haben kürzlich ein generatives KI-Modell entwickelt, das Molekülstrukturen anhand der Bewegung der Ionen des Moleküls rekonstruieren kann, nachdem diese durch Röntgenlicht auseinandergerissen wurden – eine Technik, die als Coulomb-Explosions-Bildgebung bezeichnet wird. Daten der Small Quantum Systems (SQS)-Experimentierstation am European XFEL waren entscheidend, um die Anwendbarkeit dieser neu entwickelten Methode zu demonstrieren.
Die in Nature Communications veröffentlichte Forschungsarbeit ist ein wichtiger Schritt hin zur Erfassung von Momentaufnahmen von Molekülen während chemischer Reaktionen – eine Entwicklung, die bedeutende Auswirkungen auf Medizin und Industrie haben könnte. Das maschinelle Lernmodell sagte die Geometrien verschiedener Moleküle mit weniger als zehn Atomen sehr genau voraus und ebnet damit den Weg für die Anwendung der Technik auf größere Moleküle.
„Wir waren ziemlich begeistert davon“, sagte Xiang Li, wissenschaftlicher Mitarbeiter an der Linac Coherent Light Source (LCLS) des SLAC und Hauptautor der Studie. „Es ist das erste KI-Modell, das für die Rekonstruktion molekularer Strukturen anhand von Coulomb-Explosionsbildern entwickelt wurde.“ Rebecca Boll, Wissenschaftlerin an der SQS-Experimentierstation und Mitautorin der Arbeit, fügte hinzu: „Ein explodiertes Molekül anhand der aufgezeichneten Impulse im realen Raum wieder zusammenzusetzen, ist sehr schwierig. Künstliche Intelligenz kann uns dabei helfen.“
Eine neue Art, Moleküle zu betrachten
Derzeit gibt es nur begrenzte Möglichkeiten zur Aufnahme isolierter Moleküle in der Gasphase. Bei der Elektronenmikroskopie beispielsweise müssen die Proben fixiert werden, was die Aufnahme frei schwebender Moleküle unmöglich macht. Und damit diffraktionsbasierte Techniken funktionieren, muss die Molekülprobe dicht genug sein, um ein starkes Signal im Detektor zu erzeugen. Das resultierende Bild ist technisch gesehen ein Mittelwert vieler Moleküle, was Forschende daran hindert, Details zu untersuchen, die nur bei der Abbildung isolierter Moleküle sichtbar sind.
In der Veröffentlichung konzentrierten sich die Forscherinnen und Forscher stattdessen auf die Coulomb-Explosions-Bildgebung. Bei dieser Technik trifft ein Röntgenpuls auf ein einzelnes Molekül in einer Vakuumkammer und reißt die Elektronen des Moleküls weg. Dadurch entstehen positive Ionen, die sich explosionsartig voneinander abstoßen und auf einen Detektor prallen. Der Detektor erfasst ihren Impuls, der zur Rekonstruktion der Molekülstruktur genutzt werden kann. „Diese Technik ist in der Lage, chemisch relevante Feinheiten herauszuarbeiten“, sagte James Cryan, stellvertretender Direktor für Wissenschaft, Forschung und Entwicklung am LCLS und Mitautor der Arbeit.
„Wir haben die Coulomb-Explosionsbildgebung bereits zuvor bei SQS mit großem Erfolg eingesetzt“, sagte Mitautor Michael Meyer, leitender Wissenschaftler an der Experimentierstation des European XFEL. „Doch oft war es bisher aufgrund von Einschränkungen bei der Rechenleistung nicht möglich, eine tatsächliche Rekonstruktion der Molekülgeometrie durchzuführen.“ Während der Röntgenpuls die Elektronen rasch abstreift, zerfallen die verbleibenden Ionen nicht sofort.
Während dieser kurzen Verzögerung können sich die Atome leicht verschieben, was es schwierig macht, die ursprüngliche Struktur mithilfe des Coulomb-Gesetzes für elektrostatische Kräfte zu rekonstruieren. „Das Ergebnis wäre ungenau, da die einfache Anwendung dieses Gesetzes nur funktioniert, wenn der Aufladungsprozess augenblicklich erfolgt“, erklärte Li.
Was die Sache noch komplizierter macht: Jedes zusätzliche Atom im Molekül erhöht die Komplexität exponenziell. „Es ist sehr schwierig, rückwärts zu arbeiten, um die ursprüngliche Struktur zu ermitteln“, sagte Mitautor Phay Ho, Physiker am Argonne National Laboratory in den Vereinigten Staaten. „Es ist in etwa so, als würde man ein Glas zerbrechen und versuchen, es anhand der verstreuten Scherben wieder zusammenzusetzen. Viele Probleme in der modernen Physik und Chemie beinhalten die Rekonstruktion verborgener Strukturen anhand indirekter Messungen. Diese Arbeit zeigt, wie KI dabei helfen kann, solche inversen Probleme zu lösen.“
Maschinelles Lernen für Molekülstrukturen
Das Forschungsteam machte sich daran, ein Modell für maschinelles Lernen zu entwickeln, das diese rechnerische Einschränkung überwinden könnte. Sie entwickelten und trainierten das Modell an der Shared Science Data Facility (S3DF) des SLAC. Generative KI-Modelle eignen sich gut für diese Aufgabe, da sie anders „denken“ als eine herkömmliche Computersimulation. Anstatt eine Reihe von Gleichungen durchzuarbeiten, lernen sie, indem sie Muster in den Trainingsdaten erkennen. Anschließend nutzen sie diese Muster, um statistische Vorhersagen zu treffen.
Um Trainingsdaten zu sammeln, griff das Team auf eine von Ho erstellte Simulation zurück. Die Simulation analysiert Molekülstrukturen und berechnet den Impuls ihrer Ionen nach einer Coulomb-Explosion. Nach über einem Monat Laufzeit lieferte die rechenintensive Simulation, die sowohl quantenmechanische als auch klassische physikalische Gleichungen verwendet, einen Datensatz mit 76.000 Molekülproben.
Zunächst trainierten die Forscherinnen und Forscher die KI allein mit diesem Datensatz, der für KI-Trainingsverhältnisse klein ist, und stellten fest, dass das Modell aus den Explosionsdaten ungenaue Strukturen vorhersagte. Also wiederholten sie das Training und fügten einen weiteren Datensatz hinzu, der ausschließlich auf der klassischen Physik basierte. Der zweite Datensatz war weniger präzise, aber etwa 100-mal größer als der erste.
Dieses zweistufige Training war der Schlüssel zur Vorhersage präziser Strukturen.
Die Forschenden testeten das KI-Modell, indem sie es aufforderten, Molekülstrukturen in einem Teil der Simulationsdaten vorherzusagen, den es während des Trainings noch nicht gesehen hatte. Das Modell, das das Team MOLEXA nennt (kurz für „molecular structure reconstruction from Coulomb explosion imaging“), nahm die Ionenimpulse und berechnete die wahrscheinlichsten Strukturen. „Wir stellten fest, dass dieser zweistufige Trainingsprozess den Vorhersagefehler um den Faktor zwei reduzierte“, sagte Li.
Anschließend testete das Team MOLEXA mit experimentellen Datensätzen, die am SQS aufgezeichnet worden waren. Zu den getesteten Molekülen gehörten Wasser, Tetrafluormethan und Ethanol. Sie gaben die experimentellen Ionenimpulse in das Modell ein, rekonstruierten die Molekülstrukturen und verglichen die Rekonstruktionen dann mit bekannten Strukturen, wie sie das National Institute of Standards and Technology aufführt.
Sie stellten fest, dass die Vorhersagen weitgehend mit den etablierten Strukturen übereinstimmten. Insgesamt befanden sich die Bindungen an den richtigen Stellen, mit nur geringfügigen Abweichungen in ihren Winkeln. Die Positionsfehler betrugen generell weniger als die Hälfte der Länge einer typischen chemischen Bindung. „Das Modell schneidet tatsächlich meistens noch besser ab“, fügte Li hinzu. „Es ist nur ein Ausgangspunkt für zukünftige Forschung, die nicht nur die Modellgenauigkeit verbessern, sondern auch seine Anwendbarkeit auf größere molekulare Systeme ausweiten wird.“
Ausweitung auf größere Moleküle und chemische Reaktionen
„Experimente wie die Coulomb-Explosions-Bildgebung erzeugen oft eine überwältigende Menge an Daten, die schwer zu interpretieren sind“, erklärte Serguei Molodtsov, wissenschaftlicher Direktor am European XFEL. „Durch den Einsatz künstlicher Intelligenz zur Analyse dieser Daten können wir den Umfang der Experimente erweitern, die in unserer Anlage durchführbar sind, und unseren Nutzerinnen und Nutzern ermöglichen, Studien durchzuführen, die zuvor als zu komplex galten.“ In zukünftigen Arbeiten planen die Forschenden, die Anzahl der Atome, die das maschinelle Lernmodell wieder zusammensetzen kann, zu erhöhen und das Modell auf zeitaufgelöste Experimente am LCLS und am European XFEL anzuwenden. Das wird Forscherinnen und Forschern helfen, Momentaufnahmen von Molekülen in Bewegung zu rekonstruieren und so Daumenkino-ähnliche Molekülfilme zu erstellen, die Einblicke in den Ablauf chemischer Reaktionen geben.
Das Team testet derzeit auch die Fähigkeit des Modells, Moleküle aus unvollständigen Daten zu rekonstruieren. Oftmals verpasst der Detektor ein bei der Coulomb-Explosion erzeugtes Ion. Li möchte beispielsweise wissen: Kann die KI ein Ethanolmolekül noch rekonstruieren, wenn eines oder mehrere seiner Wasserstoffionen nicht vom Detektor erfasst werden?
Wenn diese Herausforderungen gelöst sind, könnte die Technik in der biologischen und chemischen Forschung breitere Anwendung finden. Proteine können beispielsweise aus Tausenden von Atomen bestehen. „Das ist wirklich das Ziel“, sagte Li. „Wir werden in der Lage sein, Systeme zu untersuchen, die biologisch oder industriell relevanter sind.“
Zum Team gehörten außerdem Forscher des Stanford PULSE Institute, der Stanford University, der Kansas State University, des Max-Planck-Instituts für Kernphysik, des Fritz-Haber-Instituts und der Sorbonne-Universität.
https://doi.org/10.1038/s41467-026-70160-5
https://www.xfel.eu/aktuelles/news/index_ger.html?openDirectAnchor=2991&two_...
Criteria of this press release:
Journalists, all interested persons
Chemistry, Information technology, Materials sciences, Physics / astronomy
transregional, national
Research results
German
You can combine search terms with and, or and/or not, e.g. Philo not logy.
You can use brackets to separate combinations from each other, e.g. (Philo not logy) or (Psycho and logy).
Coherent groups of words will be located as complete phrases if you put them into quotation marks, e.g. “Federal Republic of Germany”.
You can also use the advanced search without entering search terms. It will then follow the criteria you have selected (e.g. country or subject area).
If you have not selected any criteria in a given category, the entire category will be searched (e.g. all subject areas or all countries).
