Mittwoch, 16. Juni 2021
Navigation öffnen
Anzeige:
Imfinzi NSCLC
Imfinzi NSCLC
Gesundheitspolitik von JOURNALMED.DE
18. Januar 2017

Maschinelles Lernen zu einem weit verbreiteten Werkzeug in der wissenschaftlichen Forschung machen

Ein interdisziplinäres Team von Wissenschaftlern der Technischen Universität Berlin, des Fritz-Haber-Instituts der Max-Planck-Gesellschaft und der Universität Luxemburg hat einen Algorithmus entwickelt, der aus Chemiedaten lernt und ein neues Verständnis komplexer Moleküle erzeugt. Diese Arbeit zeigt das Potenzial von künstlicher Intelligenz oder maschinellem Lernen, den Erkenntnisgewinn in den Naturwissenschaften voranzutreiben.
In den letzten Jahren haben datengetriebene Lern-Algorithmen diverse Disziplinen revolutioniert, darunter die Suche im Internet, Textanalyse und maschinelle Übersetzung sowie Sprach- und Bilderkennung. Aus diesem Grund investieren Technologieunternehmen wie Google, Amazon, Facebook und Microsoft massiv in maschinelles Lernen und künstliche Intelligenz – ein sehr rechenintensives Feld, das unter anderem durch den Einsatz von Grafikkarten zur parallelen Berechnung der Algorithmen große Fortschritte machen konnte. Im Gegensatz dazu sind Lern-Algorithmen, die in den Naturwissenschaften eingesetzt werden, oft noch eher simpel und waren bisher nicht in der Lage, neue physikalische oder chemische Gesetze zu finden, die ihnen nicht explizit vorgegeben waren.

Jetzt haben die Gruppen von Prof. Dr. Klaus-Robert Müller (TU Berlin) und Prof. Dr. Alexandre Tkatchenko (Universität Luxembourg und FHI Berlin) einen Lernalgorithmus entwickelt, der das Verhalten von komplexen Molekülen aus einer großen Datenbank von quantenchemischen Berechnungen analysieren und dadurch Neues entdecken kann. Insbesondere haben die Wissenschaftler ein sogenanntes „deep tensor neural network“ (DTNN) entwickelt, welches automatisch eine Repräsentation für Atominteraktionen in Molekülen findet. Dies ermöglicht chemisch und örtlich aufgelöste Einsichten in quantenmechanische Messgrößen. So konnte das DTNN zum Beispiel eine Gruppe von chemischen Molekülen (sogenannte aromatische Ringe) bezüglich ihrer Stabilität neu klassifizieren sowie Moleküle mit außergewöhnlicher elektronischer Struktur identifizieren. Insgesamt demonstriert diese Arbeit das hohe Potenzial von künstlicher Intelligenz in der Chemie und anderen Naturwissenschaften.

„Die Interpretierbarkeit von statistischen Modellen ist entscheidend, da sie deren Grenzen und Schwächen aufzeigen kann. Bislang wurde das maschinelle Lernen vor allem angewendet, um möglichst genaue Vorhersagen zum Beispiel über die Energien bestimmter chemischer Moleküle zu machen. Allerdings hatte man keine Erkenntnisse über den zugrundeliegenden Mechanismus. Jetzt ist es uns erstmals gelungen, in einer Art "Rückwärtsschritt" anhand der Vorhersagen, die das maschinelle Lernen über bestimmte Moleküle macht, Erkenntnisse über die zugrundeliegenden naturwissenschaftlichen Phänomene zu gewinnen. Wir können die Ergebnisse interpretieren. Dadurch können wir effektivere und genauere Modelle konstruieren. Interpretierbarkeit war das fehlende Puzzlestück, um maschinelles Lernen zu einem weit verbreiteten Werkzeug in der wissenschaftlichen Forschung zu machen“, sagt Prof. Dr. Klaus-Robert Müller, Leiter des Fachgebiets Maschinelles Lernen an der Technische Universität Berlin.

„Aufgrund der unkonventionellen Kombination aus künstlicher Intelligenz und Quantenmechanik, kann unsere Methode neuartige chemische Erkenntnisse gewinnen, wie statistische Maße für Molekülstabilität und Aromatizität, und somit den Weg für eine breitere Anwendung in der chemischen Forschung bereiten“, sagt Prof. Dr. Alexandre Tkatchenko, Leiter der Gruppe für Theoretische Chemische Physik an der Universität Luxembourg.

Diese Arbeit wurde gefördert von der Einstein Stiftung Berlin sowie der DFG, dem BMBF (Berlin Big Data Center) und dem European Research Council.

Quelle: Technische Universität Berlin

Literatur:

(1) Kristof T Schütt, Farhad Arbabzadah, Stefan Chmiela, Klaus-Robert Müller, Alexandre Tkatchenko, Quantum-chemical insights from deep tensor neural networks, Nature Communications, 9th January 2017, DOI: 10.1038/NCOMMS13890


Anzeige:
Verzenios Webinar
 
Das könnte Sie auch interessieren
Urologen starten Themenwoche Hodenkrebs vom 27. bis 31. März 2017
Urologen+starten+Themenwoche+Hodenkrebs+vom+27.+bis+31.+M%C3%A4rz+2017
© Paolese / Fotolia.com

Deutschlands Urologen gehen neue Wege in der Öffentlichkeitsarbeit: Mit der Einführung der „Urologischen Themenwochen“ baut die Deutsche Gesellschaft für Urologie e.V. (DGU) ihr Engagement in der medizinischen Aufklärung der Bevölkerung erneut aus: Den Anfang macht die Urologische Themenwoche Hodenkrebs vom 27. bis 31. März 2017. Mit zielgruppengerecht aufbereiteten Informationen wollen Urologinnen...

Sie können folgenden Inhalt einem Kollegen empfehlen:

"Maschinelles Lernen zu einem weit verbreiteten Werkzeug in der wissenschaftlichen Forschung machen"

Bitte tragen Sie auch die Absenderdaten vollständig ein, damit Sie der Empfänger erkennen kann.

Die mit (*) gekennzeichneten Angaben müssen eingetragen werden!

Die Verwendung Ihrer Daten für den Newsletter können Sie jederzeit mit Wirkung für die Zukunft gegenüber der Medical Tribune Verlagsgesellschaft mbH - Geschäftsbereich rs media widersprechen ohne dass Kosten entstehen. Nutzen Sie hierfür etwaige Abmeldelinks im Newsletter oder schreiben Sie eine E-Mail an: info[at]rsmedia-verlag.de.


EHA 2021
  • SCD: Neues digitales Schmerztagebuch zur tagesaktuellen Erfassung von VOCs wird in Beobachtungsstudie geprüft
  • Fortgeschrittene systemische Mastozytose: Französische Real-World-Studie bestätigt klinische Studiendaten zur Wirksamkeit von Midostaurin
  • CML-Management weitgehend leitliniengerecht, aber verbesserungsfähig – Ergebnisse einer Querschnittsbefragung bei britischen Hämatologen
  • Myelofibrose: Früher Einsatz von Ruxolitinib unabhängig vom Ausmaß der Knochenmarkfibrose
  • Hochrisiko-MDS und AML: Sabatolimab + Decitabin/Azacitidin zeigt in Phase-I-Studie anhaltende Remissionen bei guter Verträglichkeit
  • PNH: Neuer oraler Faktor-B-Inhibitor Iptacopan zeigt in Phase-II-Studie Wirksamkeit in der Erstlinie