Motivation
Simulationen der Molekulardynamik (MD) spielen eine zentrale Rolle in der chemischen und verfahrenstechnischen Industrie, bspw., um die Produktion von Nanomaterialien effizienter zu gestalten. Sie ermöglichen auf atomarer Ebene Wechselwirkungen und Bewegungen von Molekülen und Atomen zu berechnen, wodurch tiefgehende Einblicke in die physikalisch-chemischen Eigenschaften der Materialien gewonnen werden können. Dies ist essenziell für die Optimierung der Herstellungsprozesse sowie die Entwicklung neuer Materialien. Jedoch sind diese MD-Simulationen extrem rechen- und zeitintensiv. Selbst auf typischen Höchstleistungsrechnern (Leistung entspricht mehrerer tausender Desktop-PCs) kann allein eine typische MD-Simulation Tage bis Wochen in Anspruch nehmen, was sie damit auch zu einer ressourcenintensiven Aufgabe macht (Energie, Zeit, Kosten).
Ziele und Vorgehen
Bestehende Ansätze, um die Effizienz dieser Simulationen zu steigern, erfordern verschiedenste, sehr komplexe Optimierungen der Parameter und müssen präzise an die jeweilige Aufgabe angepasst werden. Eine universelle Lösung, die für alle Szenarien gleichermaßen effektiv ist, gibt es nicht. In AutoMD-AI sollen in einem interdisziplinären Team – aus Informatikern, Chemikern, Verfahrenstechnikern und Mathematikern – die Möglichkeiten des Einbindens von Algorithmen des maschinellen Lernens (ML) erweitert und dabei gleichzeitig deren Ressourcenbedarf signifikant gesenkt werden. Zum einen soll damit die Suche den vielversprechendsten Optimierungsansätzen für die Simulationsaufgabe unterstützt werden. Zum anderen sollen auf Basis von „ML-Ersatz-Modellen” die aufwendigen Simulationsrechnungen durch schnellere, „sparsamere“ Berechnungen ersetzt werden, bei vergleichbarer Genauigkeit.
Innovationen und Perspektiven
Neben den wissenschaftlichen Ergebnissen leistet das Projekt damit auch einen wichtigen Beitrag zur Verbesserung der Ressourceneffizienz und damit auch der Wettbewerbsfähigkeit in der chemischen Industrie – dem energieintensivsten Sektor Deutschlands.