Dla chemików światło to potężne narzędzie, które pozwala zajrzeć do wnętrza materii, lub zainicjować jej przemianę chemiczną. Gdy cząsteczka pochłania foton (cząstkę światła), w jednej chwili przestaje być układem stosunkowo spokojnym i przewidywalnym: przechodzi do tzw. elektronowego stanu wzbudzonego i zyskuje nadmiar energii, który musi zostać w jakiś sposób wykorzystany albo oddany.
Od tego momentu wszystko rozgrywa się błyskawicznie: w czasie bilionowych, a nawet biliardowych części sekundy cząsteczka może zmienić kształt, przekazać energię dalej, wyemitować światło albo ulec reakcji chemicznej.
To właśnie te ultraszybkie procesy decydują o tym, czy dany związek sprawdzi się w praktyce – na przykład jako materiał do ogniw słonecznych, wyświetlaczy OLED czy molekularnych magazynów energii słonecznej. Ich opisanie wymaga jednak rozwiązywania równań mechaniki kwantowej dla elektronów w cząsteczce. To zadanie z pogranicza chemii, fizyki i zaawansowanych obliczeń komputerowych, które – dla większych układów – pochłania ogromne zasoby. Pojedyncze przewidywanie może zajmować wiele godzin, a nawet dni.
OMNI-P2x – pierwszy uniwersalny potencjał uczenia maszynowego oparty na sieci neuronowej dla stanów wzbudzonych cząsteczek, opracowany z udziałem badaczy z UW – wykonuje takie przewidywania ponad tysiąc razy szybciej od standardowych metod chemii kwantowej, zachowując przy tym zbliżoną do nich dokładność.
Światło w oku
Sztuczne sieci neuronowe to systemy obliczeniowe inspirowane działaniem biologicznych neuronów. Zbudowane są z połączonych ze sobą węzłów („neuronów”), które przetwarzają dane, rozpoznają wzorce i samodzielnie uczą się na podstawie wprowadzanych informacji.
Model zaproponowany przez badaczy z UW i Xiamen został wytrenowany na celowo szerokim i zróżnicowanym zbiorze cząsteczek, tak aby obejmował dużą część przestrzeni chemicznej typowej dla związków organicznych. Artykuł opisujący te badania ukazał się w prestiżowym czasopiśmie Nature Communications.
– To jest absolutnie pierwszy model tego typu. Takie sieci neuronowe powstawały w przeszłości w bardzo dużej liczbie, ale były to tylko modele zdolne do przewidywania elektronowego stanu podstawowego, czyli nie potrafiły opisać procesów zachodzących pod wpływem światła – mówi Mikołaj Martyka, doktorant na Wydziale Chemii Uniwersytetu Warszawskiego i pierwszy autor artykułu.
– Nasz projekt dotyczy szczególnego obszaru obliczeń, jakim jest fotochemia. Takie obliczenia są jeszcze trudniejsze niż standardowe symulacje cząsteczek, bo opisują nie tylko samą materię, ale i jej oddziaływanie ze światłem. W dodatku są bardzo kosztowne. Pod wpływem światła cząsteczka często w dużym stopniu zmienia swoje właściwości, a przewidzenie kierunku tych zmian wymaga bardzo wielu obliczeń – dodaje dr Joanna Jankowska, która wraz z prof. Pavlo O. Dralem z Xiamen University kierowała badaniami.
Procesy fotoindukowane rozpoczynają się od pochłonięcia światła przez atom, cząsteczkę lub materiał. W wyniku absorpcji fotonu powstaje elektronowy stan wzbudzony – nietrwały stan o podwyższonej energii. Cząsteczka może następnie wyemitować światło, przekazać energię lub elektron innej cząsteczce, zmienić swoją strukturę albo wejść w reakcję chemiczną. Wszystkie te zjawiska określa się mianem procesów fotoindukowanych.
Jednym z najważniejszych przykładów w przyrodzie jest fotosynteza, ale także proces widzenia, w którym światło wywołuje zmiany w cząsteczce retinalu znajdującej się w siatkówce ludzkiego oka. Procesy zachodzące w stanach wzbudzonych odgrywają również kluczową rolę m.in. w działaniu ogniw i paneli słonecznych, ekranów OLED i wyświetlaczy, a także w nowoczesnej medycynie i fotofarmakologii.
Symulacje stanów wzbudzonych z użyciem tradycyjnych metod chemii kwantowej są bardzo czasochłonne i kosztowne. Zasadniczym celem badań fotochemików z UW było zatem obniżenie kosztu obliczeniowego. Innymi słowy chodziło o to, żeby komputery potrzebowały mniej czasu i pamięci do rozwiązania określonego problemu.
Wytrenowana sieć
Choć uczenie maszynowe zrewolucjonizowało już symulacje cząsteczek w stanie podstawowym, zastosowanie go do stanów wzbudzonych jest znacznie trudniejsze. Wynika to z ich złożoności: cząsteczka ma do dyspozycji wiele stanów o zbliżonych energiach, które oddziałują ze sobą, a odpowiadające im powierzchnie energii przecinają się w trudny do przewidzenia sposób.
– Ten model korzysta z metod uczenia maszynowego. Pozwala zastąpić bardzo dużą część obliczeń – w idealnym przypadku ich całość – użyciem sieci neuronowej, która jest już przygotowana do takiego zadania. Została ona w nowatorski sposób nauczona przewidywać właściwości cząsteczek wzbudzonych oddziaływaniem ze światłem – wyjaśnia dr Jankowska.
Jak przebiega trening takiego modelu? Uczenie maszynowe to dziedzina sztucznej inteligencji, w której komputery uczą się na podstawie przykładów, a nie szczegółowych instrukcji.
W uproszczeniu wygląda to tak: zamiast opisywać, jak wygląda pies, pokazujemy komputerowi sto tysięcy zdjęć psów i innych zwierząt. Komputer znajduje wzorce odróżniające psy od reszty, a po treningu potrafi rozpoznać psa na zdjęciu, którego wcześniej nie widział. Nie uczy się „na pamięć” wszystkich przykładów – uczy się rozpoznawać wzorce.
W przypadku modelu OMNI-P2x naukowcy nie programowali ręcznie praw chemii, lecz zgromadzili dane obliczeniowe dla około 3,1 miliona cząsteczek. Model nauczył się zależności obecnych w tych danych i dzięki temu potrafi przewidywać właściwości molekuł, których nigdy wcześniej „nie widział”.
Model w ułamku sekundy przewiduje, jakie światło pochłonie nieznana mu wcześniej cząsteczka. Robi to z dokładnością zbliżoną do metod chemii kwantowej, na których się uczył, podczas gdy te na wykonanie tego samego zadania potrzebują czasu dłuższego o kilka rzędów wielkości.
– Wykonując obliczenie kwantowo-chemiczne, podajemy strukturę cząsteczki. Może to być na przykład cząsteczka wody, benzenu czy etanolu. Po wykonaniu wielu operacji matematycznych, komputer wyznacza jej właściwości, takie jak energia, właściwości fizykochemiczne, w tym np. kolor, rozumiany jako światło, które pochłania. Następnie sieci neuronowej podajemy bardzo dużą liczbę takich par: cząsteczka i jej właściwości. Model uczy się zależności między strukturą a właściwościami – tłumaczy doktorant Wydziału Chemii.
W ten sposób kosztowne obliczenia można zastąpić gotowym narzędziem, które od razu odpowiada przynajmniej na część pytań badaczy. Skąd jednak wziąć tak ogromny zbiór danych?
– Najlepszym podejściem jest pozyskanie danych z literatury – zebranie informacji o cząsteczkach, które były już badane, i wykonanie dla nich obliczeń. Alternatywnie można generować cząsteczki komputerowo, czyli tworzyć ich struktury na podstawie zadanych reguł, a następnie wykonywać dla nich obliczenia – mówi Mikołaj Martyka.
Przeciętny użytkownik sztucznej inteligencji zdaje sobie sprawę, że podawane przez nią informacje należy sprawdzać. Naukowcom tej zasady nie trzeba przypominać.
– W chemii obliczeniowej istnieją pewne kanoniczne układy, do których badacze odnoszą się sprawdzając, czy zaproponowana przez nich nowa metoda odtwarza to, co dla danej cząsteczki wiadomo już bardzo dobrze. My uzyskaliśmy niezwykle dobrą zgodność. Upewniło nas to, że nasz model radzi sobie bardzo dobrze w porównaniu z wielokrotnie droższymi metodami mechaniki kwantowej – podkreśla dr Jankowska.
MOST i przełączniki
Aby zademonstrować praktyczne możliwości nowego modelu, badacze przeskanowali pół miliona pochodnych azobenzenu – związku znanego ze swoich właściwości fotoprzełącznikowych. Z tego ogromnego zbioru wyłoniono 21 struktur wykazujących najkorzystniejsze właściwości absorpcyjne, w tym trzy o przewidzianej długości fali absorpcji w obszarze światła czerwonego, przewyższające pod tym względem układy opisane dotychczas w literaturze.
Fotoprzełączniki to niezwykle interesujące cząsteczki, które pod wpływem światła przechodzą odwracalną przemianę.
– A precyzyjniej mówiąc: zmieniają swój kształt. Mogą również zmieniać swoje właściwości fizykochemiczne, na przykład kolor czy polaryzację elektryczną. Fotoprzełączniki są niezwykle interesujące, ponieważ można je wykorzystać do kontrolowania zachowania innych, oddziałujących z nimi cząsteczek, co z kolei może w przyszłości pozwolić na skonstruowanie bardziej złożonych funkcjonalnych układów molekularnych – wyjaśnia dr Jankowska.
Fotoprzełączniki mogą znaleźć zastosowanie również w magazynowaniu energii. Jedną z rozwijanych technologii w tej dziedzinie jest tzw. MOST (MOlecular Solar Thermal Energy Storage), czyli molekularne magazynowanie termicznej energii słonecznej. Model stworzony przez naukowców z UW może w przyszłości ułatwić projektowanie cząsteczek przeznaczonych do takich systemów.
– Chodzi o to, że pod wpływem światła słonecznego cząsteczka ma się przełączyć i magazynować część energii słonecznej przez bardzo długi czas. Później, gdy będzie to potrzebne, można ją aktywować w taki sposób, aby zgromadzoną energię cieplną uwolniła. Azobenzeny należą do grupy związków rozważanych jako potencjalni kandydaci do tego typu zastosowań – mówi badaczka z Wydziału Chemii.
Problem polega jednak na tym, że niezmodyfikowany azobenzen pochłania głównie promieniowanie ultrafioletowe, którego w świetle słonecznym docierającym do powierzchni Ziemi jest stosunkowo niewiele. Chemicy od dawna próbują więc tak przebudowywać tę cząsteczkę, aby skutecznie absorbowała światło widzialne.
– Niestety liczba kombinacji, które można rozważać, jest w zasadzie nieskończona. Dlatego takie metody jak nasza faktycznie otwierają nowe możliwości. Możemy dziś wykonywać liczbę obliczeń, która jeszcze dwa lata temu pozostawała całkowicie poza naszym zasięgiem – podkreśla dr Joanna Jankowska.
Uniwersalny fundament
Efektem projektu ma być w przyszłości nowa generacja modeli opartych na sztucznej inteligencji, które umożliwią badaczom znacznie szybsze symulowanie oddziaływań światła z materią – bez konieczności korzystania z superkomputerów czy zaawansowanej wiedzy specjalistycznej.
Przyspieszy to odkrycia nie tylko w chemii, lecz także w nauce o materiałach i fotobiologii, wspierając rozwój technologii przyszłości oraz zrównoważonej energetyki.
– To jest fundament, na którym można budować dalej. Zastosowanie tego modelu i narzędzi opartych na nim znacznie zwiększa zakres procesów, które możemy badać. Możemy sobie pozwolić na przykład na modelowanie całych fotoreakcji, łącznie z emisją światła, która jest procesem stosunkowo powolnym, ale bardzo ważnym z punktu widzenia zastosowań technologicznych – mówi dr Jankowska.
Model można również wykorzystać do poszukiwania cząsteczek spełniających jednocześnie wiele zadanych kryteriów. Jeżeli na przykład związek ma znaleźć zastosowanie w medycynie, sieci można zlecić wyszukiwanie takich struktur, które łączą pożądane właściwości – nie tylko odpowiedni zakres absorpcji światła, lecz także inne parametry istotne z punktu widzenia przyszłych zastosowań. Dodatkową zaletą modelu jest możliwość przeskanowania ogromnych bibliotek cząsteczek w bardzo krótkim czasie.
– W przypadku zastosowań medycznych azobenzenów zależy nam na tym, aby absorpcja światła zachodziła przy możliwie najniższej energii. Jeśli wykonamy obliczenia z użyciem metod uczenia maszynowego dla ogromnej puli cząsteczek, możemy wybrać właśnie te, które najlepiej spełniają nasze wymagania – opowiada fotochemik z UW.
Obecna wersja modelu pozwala opisywać cząsteczki zbudowane z najczęściej spotykanych pierwiastków występujących w chemii organicznej: wodoru, węgla, azotu, tlenu, fluoru, siarki i chloru. Naturalnym kierunkiem dalszych prac jest rozszerzenie go o kolejne pierwiastki.
– Sieć pozwala modelować związki zbudowane z pierwiastków typowo występujących w cząsteczkach organicznych. Wyobrażamy sobie, że w przyszłości będzie można rozszerzać ją o kolejne pierwiastki. Byłoby to bardzo pożądane i właśnie nad tym obecnie pracujemy – mówi Mikołaj Martyka.
Droga od komputerowej predykcji nowej cząsteczki do jej rzeczywistego wykorzystania w technologii lub terapii nie jest jednak ani prosta, ani krótka. Zaprojektowane teoretycznie związki muszą zostać zsyntetyzowane, a ich właściwości eksperymentalnie potwierdzone. Zaproponowany model nie rozwiązuje więc wszystkich problemów, ale zdecydowanie skraca drogę od pomysłu do praktycznego zastosowania.
– Pokazaliśmy, że stworzenie uniwersalnego potencjału zdolnego opisywać cząsteczki w stanach wzbudzonych jest możliwe. A to jeszcze niedawno było podawane w wątpliwość. Sądzono, że być może nigdy nie uda się stworzyć narzędzia zdolnego opisać coś tak złożonego jak fotochemia. Wydawało się, że mechaniki kwantowej nie da się tutaj zastąpić – to ona rządzi tym, co dzieje się z fotowzbudzoną cząsteczką. Okazało się jednak, że możemy osiągnąć ten cel – podkreśla dr Joanna Jankowska.
