Hochdimensionale neuronale Netze für Potentialhyperflächen großer molekularer und kondensierter Systeme

Moderne Simulationstechniken haben heute ein Niveau erreicht, das es ermöglicht, ein breites Spektrum von Problemen in der Chemie und in den Materialwissenschaften zu untersuchen. Trotz der Entwicklung immer leistungsfähigerer Hardware ist die Anwendung von Elektronenstrukturmethoden, die Vorhersagen ohne Rückgriff auf experimentelle Daten ermöglichen, jedoch noch immer auf kleine Systeme begrenzt, und in absehbarer Zukunft ist keine Besserung dieser Situation zu erwarten. Um auch komplexe Systeme auf atomarer Ebene verstehen zu können, ist die Entwicklung von effizienteren und gleichzeitig zuverlässigen atomistischen Potentialen in den letzten Jahren immer mehr in den Fokus gerückt. Ein vielversprechender neuer Ansatz ist die Nutzung von maschinellem Lernen (ML) zur Beschreibung der atomaren Wechselwirkungen. Nach einem Trainingsprozess mit Elektronstrukturdaten können solche ML‐Potentiale Computersimulationen um mehrere Größenordnungen beschleunigen, während die quantenmechanische Genauigkeit erhalten bleibt. Anhand einer wichtigen Klasse von ML‐Potentialen, die auf künstlichen neuronalen Netzen basiert, werden in diesem Aufsatz die Grundideen, die Anwendbarkeit und die offenen Fragen dieses Ansatzes diskutiert.