Menü
iX Magazin

Deep Tensor Neural Network: Künstliche Intelligenz, die forscht

Forscher aus Informatik und Physik haben einen lernenden Algorithmus entwickelt, der die Eigenschaften von Molekülen bestimmt. Gleichzeitig erlaubt dieser einen Einblick in seine Struktur, bleibt also nicht wie viele andere neuronale Netze eine Black Box.

Von
vorlesen Drucken Kommentare lesen 15 Beiträge
Wissenschaftsmaschine

In einem interdisziplinären Projekt haben Informatiker und Physiker einen Lernalgorithmus entwickelt, der wechselwirkende Quantensysteme analysieren kann und zudem einen Einblick in seine Analyse erlaubt. Die Forscher von TU Berlin, Fritz-Haber-Instituts der Max-Planck-Gesellschaft und Universität Luxemburg haben ihr Deep Tensor Neural Network (DTNN) an der frei zugänglichen Datenbank GDB-13 trainiert, Wechselwirkungen zwischen Atomen in Molekülen zu bestimmen und darzustellen.

In der GDB-13 sind Daten zu kleinen organischen Molekülen mit bis zu 13 schweren Atomen (Kohlenstoff, Stickstoff, Sauerstoff, Schwefel und Chlor) gesammelt, die Forscher zuvor mit Dichte-Funktional-Theorie (DFT) berechnet haben. Bei DFT handelt es sich um einen relativ rechenaufwendigen Ansatz mit hohem Speicherbedarf. Neuronale Netze umgehen das hierfür nötige Lösen der Schrödinger-Gleichung.

DTNN beschreibt die einzelnen Atome anhand ihrer Basiszustände und deren Überlagerungen. Die Beiträge der einzelnen Zustände fasst ein Koeffizientenvektor zusammen. Durch die Wechselwirkung zwischen den Atomen erfahren die Koeffizienten Variationen gegenüber dem isolierten Fall. Neu an der jetzt vorgestellten Methode ist die Integration aller, auch nichtlinearer Beiträge zur Wechselwirkung in einem einzelnen neuronalen Netz. Dafür verwendet es eine Feedback-Schleife, in der bei jedem Schritt neue Korrekturen durch sogenannte Tensoroperationen eingeführt werden. Bisherige Ansätze mussten jede Art von Interaktion in einem eigenen neuronalen Netz lösen.

Durch die gewählte Darstellung der atomaren Zustände samt ihrer Wechselwirkungen können die Forscher einen Blick in das DTNN werfen und nachvollziehen, auf welcher Grundlage es zu seinem Ergebnis gekommen ist. Im Gespräch mit iX erläuterte Klaus-Robert Müller von der TU Berlin, dass dies eine Möglichkeit darstellt, Nichtlinearität sichtbar zu machen. Die jetzt veröffentlichte Arbeit untersucht mit DTNN die Stabilität und Dynamik von aromatischen Ringen. So lässt sich anhand lokaler Potentiale damit etwa bestimmen, in welchen Molekülen der zentrale Benzen-Ring minimale oder maximale Stabilität besitzt. Die größten Abweichungen von den DFT-Vorhersagen ergaben sich bei Molekülen mit unkonventionellen Bindungen.

Autoren der aktuellen Veröffentlichung forschen bereits seit längerer Zeit an der Interpretierbarkeit neuronaler Netze. Unter heatmapping.org sammeln sie ihre diesbezüglichen wissenschaftlichen Veröffentlichungen. Zusätzlich finden sich dort drei Demonstrationen, mit denen die Forscher dieses Interpretieren von maschinellem Lernen veranschaulichen wollen. (jab)