Met een zelflerend algoritme heeft de DeepMind-computer de eigenschappen van scheikundige verbindingen berekend op basis van de elektronen-dichtheden. Dat is handig als je wilt bekijken welke materialen in bepaalde opzichten veelbelovende kandidaten zijn, zelfs als die stoffen nog nooit gesynthetiseerd zijn. Overigens moet er aan dat systeem nog wel het een en ander vertimmerd worden.

Een groep wetenschappers van het Londense ki-bedrijf DeepMind heeft een algoritme ontwikkeld dat de eigenschappen van verbindingen kan berekenen op basis van elektronendichtheden. Een degelijk stuk werkt stelt de informatische scheikundige Katarzyna Pernal van de universiteit van Lodz (Pol). Volgens haar heeft het zelflerende model nog een lange weg te gaan voor het nuttig is voor (informatische) scheikundigen en farmaceuten.
In principe zijn de eigenschappen van verbindingen vastgelegd in de kwantummechanica, met name de Schrödingervergelijking. Die geeft het gedrag van de golffuncties van elektronen weer. Er zijn wiskundige trucjes om de waarschijnlijkheid van de plaats van een bepaald elektron vast te stellen, maar alle elektronen wisselwerken met elkaar en het is een heidens (zo niet ondoenlijk) karwei de structuur van de elektronenbanen te berekenen. Alleen voor de relatief eenvoudigste is dat mogelijk, zoals voor benzeen (C₆H₆), stelt James Kirkpatrick van DeepMind.
Om dat probleem te omzeilen bepalen onderzoekers zich tot elektronendichtheden (en niet van afzonderlijke elektronen) om eigenschappen van verbindingen te voorspellen. “Die methode kijkt naar de gemiddelde ladingsdichtheid”, zegt Kirkpatrick. Daarmee kunnen de meeste eigenschappen makkelijk berekend worden.
Die dichtheidsbenadering wordt sedert de jaren 60 het meest gebruikt. Moderne materiaaldatabanken zoals het materiaalproject steunen voor een belangrijk deel op dergelijke berekeningen.

Beperkingen

Die benadering heeft echter haar beperkingen. Die geeft verkeerde resultaten voor sommige type verbindingen, zelfs voor simpele zoals natriumchloride (keukenzout). Hoewel die aanpak wel veel efficiënter is dan kwantumtheoretische benaderingen, zijn de berekeningen nog steeds lastig waarvoor je supercomputers nodig hebt. In deze tijd van kunstmatige intelligentie is het dan niet vreemd dat je die mogelijkheid uitprobeert.
De poging van de DeepMinders zijn de ambitieust tot nu toe zijn om de elektronendichtheden te berekenen. “Het is in feite het ideale probleem voor machineleren”, zegt Aron Cohen van DeepMind. “Je kent het antwoord, maar niet de formule om die mee te berekenen.”

De leerstof voor het algoritme waren 1161 resultaten van Schrödingervergelijkingen. Om de nauwkeurigheid te verhogen ‘breiden’ de onderzoekers ook enkele bekende natuurkundewetten door de leerstof voor het neurale netwerk heen. Vervolgens lieten ze het systeem los op een paar verbindingen die vaak als ijkpunten voor de dichtheidstheorie worden gebruikt.
De resultaten zouden indrukwekkend zijn. “Dit is het beste wat tot nu toe gedaan is”, zegt Anatole von Lilienfeld van de universiteit van Wenen. Je moet daarvoor wel een ontzettende hoop gegevens verstouwen, stelt hij, maar dat hoef je maar een keer te doen. Als het eenmaal gedaan is kan je de voorspellingen van de eigenschappen op je eigen ‘computertje’ laten berekenen. Dat scheelt een hoop energie, zegt de onderzoeker (die niet bij het DeepMind-project betrokken is geweest).

Het DeepMind-systeem schijnt openbaar beschikbaar te zijn. Tot nu toe beperkt dat zich tot de moleculen en voorspelt niks over, bijvoorbeeld, de kristalstructuur van de verbindingen, maar daaraan zou gewerkt worden. Er zijn overigens meer groepen actief op ditzelfde terrein, zag ik (en dat is natuurlijk niet vreemd).

Bron: Nature