KI-gestützte Ansätze zur innovativen Molekülgenerierung in der Materialforschung

KI-gestützte Molekülgenerierung: Neue Wege in der Materialforschung

Die Entwicklung neuer Moleküle mit spezifischen Eigenschaften ist ein zentraler Bestandteil der Materialforschung. Besonders die Erzeugung von Molekülen mit Eigenschaften, die außerhalb des bekannten Spektrums liegen ("out-of-distribution"), stellt eine große Herausforderung dar. Herkömmliche Methoden des überwachten Lernens (Supervised Learning) erzeugen zwar Moleküle von hoher Qualität, die den Trainingsdaten ähneln, haben jedoch Schwierigkeiten, über diesen bekannten Bereich hinaus zu generalisieren. Verstärkendes Lernen (Reinforcement Learning) kann zwar neue chemische Räume erkunden, führt aber oft zu "Reward-Hacking" und der Generierung nicht synthetisierbarer Moleküle.

Eine neue Forschungsarbeit stellt einen vielversprechenden Ansatz vor, um diese Herausforderungen zu überwinden. Durch die Integration der fortschrittlichen Methode des überwachten Lernens, STGG+, in eine aktive Lernschleife (Active Learning) wird ein iterativer Prozess der Molekülgenerierung, -bewertung und -verfeinerung ermöglicht. Dieser als STGG+AL bezeichnete Ansatz erweitert kontinuierlich das Wissen des Systems.

Die Forscher demonstrierten die Leistungsfähigkeit von STGG+AL anhand des Designs organischer π-funktioneller Materialien. Konkret wurden zwei anspruchsvolle Aufgaben bearbeitet: 1) die Generierung stark absorbierender Moleküle, gekennzeichnet durch eine hohe Oszillatorstärke, und 2) das Design absorbierender Moleküle mit angemessener Oszillatorstärke im Nahinfrarotbereich (NIR). Die generierten Moleküle wurden anschließend in-silico mithilfe der zeitabhängigen Dichtefunktionaltheorie validiert und analysiert.

STGG+AL im Vergleich zu bestehenden Methoden

Die Ergebnisse zeigen, dass STGG+AL im Gegensatz zu bestehenden Methoden, wie z.B. Reinforcement Learning (RL), hochwirksam bei der Generierung neuartiger Moleküle mit hoher Oszillatorstärke ist. RL-Methoden tendieren dazu, Moleküle zu generieren, die zwar die gewünschte Eigenschaft aufweisen, aber in der Praxis schwer oder gar nicht synthetisierbar sind. STGG+AL hingegen nutzt die Stärken des überwachten Lernens und kombiniert diese mit der Flexibilität des aktiven Lernens, um den chemischen Raum gezielt und effizient zu erkunden.

Offener Zugang zu Code und Daten

Die Forscher haben ihren Active-Learning-Code, zusammen mit dem Conjugated-xTB-Datensatz, der 2,9 Millionen π-konjugierte Moleküle enthält, sowie die Funktion zur Approximation der Oszillatorstärke und Absorptionswellenlänge (basierend auf sTDA-xTB), öffentlich zugänglich gemacht. Dies ermöglicht anderen Forschern, auf den Ergebnissen aufzubauen und die Methode für ihre eigenen Forschungsvorhaben zu nutzen.

Ausblick und Potenzial

Die Entwicklung von STGG+AL stellt einen wichtigen Fortschritt in der KI-gestützten Molekülgenerierung dar. Die Kombination aus überwachtem und aktivem Lernen ermöglicht die gezielte Erforschung des chemischen Raums und die Generierung von Molekülen mit gewünschten Eigenschaften, die über das bisher bekannte Spektrum hinausgehen. Diese Technologie hat das Potenzial, die Materialforschung zu revolutionieren und die Entwicklung neuer Materialien für verschiedene Anwendungen, wie z.B. in der Optoelektronik oder der Medizin, zu beschleunigen.

Bibliographie:

1. http://arxiv.org/abs/2502.14842
2. https://arxiv.org/html/2502.14842v1
3. https://chatpaper.com/chatpaper/zh-CN/paper/110127