Machine Learning-unterstützte semi-empirische Quantenchemie

• Antragsteller: Dr. Martin Stöhr
• Fachliche Zuordnung: Theoretische Chemie: Elektronenstruktur, Dynamik, Simulation ; Physikalische Chemie von Molekülen, Flüssigkeiten und Grenzflächen, Biophysikalische Chemie ; Theoretische Chemie: Moleküle, Materialien, Oberflächen
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 534068594

Photoinduzierte chemische Prozesse spielen eine zentrale Rolle in biologischen Vorgängen von der Photosynthese bis zum Sehvorgang sowie für nachhaltigere Energielösungen wie Photovoltaik oder Photokatalysatoren. Das Verständnis und die Modellierung photochemischer Prozesse erfordert zumeist jedoch rechenintensive Methoden und nichtadiabatische Simulationen, um die Übergänge zwischen elektronischen Zuständen beschreiben können. Die derzeit verfügbaren Methoden sind daher normalerweise auf kleinere Systeme und Modelle beschränkt. Ziel dieses Projekts ist es, einen hybriden Ansatz aus semiempirischer Quantenchemie (SE-QC) und maschinellem Lernen (ML) zu entwickeln und anzuwenden, um die Beschreibung sowie unser Verständnis photochemischer Vorgänge in praxisrelevanten Systemen voranzutreiben. Die geplante adaptive ML-assistierte SE-QC (AMASE-QC) Methode konstruiert einen effektiven minimalen Hamiltonian mit Hilfe von ML-basierenden molekülabhängigen Parametern. Erste Arbeiten mit ähnlicher Methodik zeigten bereits vielversprechende Ergebnisse für elektronische Grundzustände. Im Gegensatz zu bestehenden Ansätzen werden wir zum Einen ein Delta-Lernmodell verwenden, welches außerhalb des ML-Trainingsbereichs nahtlos zu einer "Notfall"-Parametrisierung übergeht. Dies erlaubt fatale Extrapolations-Fehler des ML-Modells zu vermeiden. Zum anderen werden wir unser hybrides ML/SEQC-Modell in einen etablierten post-Hartree-Fock-Formalismus integrieren. Wir wenden floating occupation molecular orbitals (FOMO) und eine anschließende complete active space configuration interaction (CASCI) Expansion an, was eine zuverlässige Beschreibung elektronischer Zustände inklisuve eventueller Entartungen bietet und in Kombination mit nichtadiabatischen Methoden effiziente photochemische Simulationen ermöglicht. Frühere Studien zeigten, dass dies ebenfalls auf die kostengünstigere Variante von semiempirischem FOMO-CASCI zutreffen kann. Hierfür sind jedoch maßgeschneiderte SE-QC-Parametrisierungen erforderlich. AMASE-QC nutzt effektiv genau solche maßgeschneiderte Parametrisierungen auf völlig automatisierte und adaptive Weise -- ohne kostspielige Referenzrechnungen und langwierige Neuparametrisierungen für jede neue Anwendung. Aufgrund der reduzierten Rechenkosten erwarten wir, dass AMASE-QC die Simulation angeregter Zustände und photochemischer Prozesse über die bisher zugänglichen Längen- und Zeitskalen hinaus vorantreiben wird. Im Rahmen dieses Projekts werden wir insbesondere die Rolle realistischer Umgebungen auf photodynamische Prozesse in praxisrelevanten Systemen wie Protonentransfer in photoaktiven Proteinen und die photoredoxkatalytischen Eigenschaften von Flavinen und Flavoproteinen untersuchen. Das Verständnis, wie komplexe Umgebungen photochemische Vorgänge beeinflussen und steuern, ist nicht nur der Schlüssel zur Aufklärung wichtiger photobiologischer Prozesse, sondern liefert auch Leitmotive für künstliche Photosynthese und neue Photokatalysatoren.

• DFG-Verfahren: WBP Stipendium
• Internationaler Bezug: USA
• Gastgeber: Professor Todd J. Martínez, Ph.D.