Loading…
Thumbnail Image

Learning representations of atomistic systems with deep neural networks

Schütt, Kristof

FG Maschinelles Lernen

Learning Representations of Atomistic Systems with Deep Neural Networks Deep Learning has been shown to learn efficient representations for structured data such as image, text or audio. However, with the rise of applying machine learning to quantum chemistry, research has been largely focused on the development of hand-crafted descriptors of atomistic systems. In this thesis, we propose novel neural network architectures that are able to learn efficient representations of molecules and materials. We demonstrate the capabilities of our models by accurately predicting chemical properties across compositional and configurational space on a variety of datasets. Beyond that, we perform a study of the quantum-mechanical properties of C20-fullerene that would not have been computationally feasible with conventional ab initio molecular dynamics. Finally, we analyze the trained models to find evidence that they have learned local representations of chemical environments and atom embeddings that agree with basic chemical knowledge.
Tiefes Lernen hat gezeigt, dass es effiziente Repräsentationen für strukturierte Daten wie Bilder, Texte oder Audio lernen kann. Mit der zunehmenden Anwendung von Maschinellem Lernen in der Quantenchemie hat sich die Forschung dort vor allem auf die manuelle Entwicklung von Deskriptoren für atomistische Systeme konzentriert. In dieser Arbeit schlagen wir zwei neuartige Architekturen für Neuronale Netze vor, die in der Lage sind, effiziente Repräsentationen für Moleküle und Materialien zu erlernen. Wir demonstrieren die Fähigkeiten unserer Modelle durch die genaue Vorhersage von chemischen Eigenschaften für Systeme mit verschiedenen Zusammensetzungen sowie verschiedenen Atomanordnungen. Darüber hinaus führen wir eine Studie der quantenmechanischen Eigenschaften von dem Fulleren C20 durch, welche mit konventionellen ab initio Moleküldynamik- Simulationen nicht möglich gewesen wäre. Schließlich zeigt eine umfassende Analyse der trainierten Modelle deutliche Hinweise darauf, dass sie lokale Repräsentationen von chemischen Umgebungen sowie Atomeinbettungen gelernt haben, die mit chemischem Grundlagenwissen übereinstimmen.