Forestil dig et spil Tetris, hvor du ikke blot skal placere brikkerne i tre dimensioner, og hvor brikkerne er langt mere komplicerede end de syv forskellige geometriske former, du kan blive udsat for i det oprindelige spil.

Her er brikkerne store og komplekse molekyler, som i en kemisk reaktion skal binde sig til et andet materiale.

Og ikke nok med, at molekylerne og det andet materiale hver især har flere steder på overfladen, hvor de kan binde sig sammen – det er afgørende, at bindingen hverken er for svag eller for stærk.

For ellers kan det andet materiale ikke fungere som katalysator (se faktaboks).

_{Fakta om katalysator:
En katalysator er et stof, der fremmer en kemisk reaktion uden selv at blive forbrugt i den. I mange tilfælde skal der en katalysator til, for at en kemisk reaktion overhovedet går i gang, og i alle tilfælde får katalysatorerne de kemiske reaktioner til at gå hurtigere.
Du husker måske fra skolens kemi-eksperimenter, hvordan man kan lave brint ved at putte zink i en beholder med syre. Og hvordan man kan sætte ekstra fut i reaktionen ved at lægge en katalysator i form af et stykke kobber oven på zinken. Elektroner bevæger sig fra zinken til kobberet, hvor de reagerer med brint-ionerne i syren og danner brint, som bruser op fra overfladen af kobberet, mens det altså er zinken, der går i opløsning.}

Sådan et slag ekstrem-Tetris illustrerer fint de udfordringer, som forskere verden over møder i deres arbejde for at udvikle nye og bedre katalysatorer til et hav af forskellige teknisk-kemiske processer.

Computere lærer ekstrem-Tetris

Og nu har forskere fra Aarhus Universitet og Fritz Haber Instituttet i Berlin sammen udviklet en maskinlærings-algoritme, som kan lære computere at beregne, hvordan molekyler binder sig til overfladen og med hvilken bindingsstyrke.

De har netop publiceret resultatet i det videnskabelige tidsskrift Nature Computational Science.

Algoritmen kan hjælpe med effektivt og præcist at forudsige, om et givet materiale vil egne sig som katalysator for kemiske reaktioner der involverer mange forskellige komplekse molekyler.

Det er vigtigt, for det første skridt i udviklingen af nye og bedre katalysatorer er netop at regne sig frem til, om et nyt materiale overhovedet egner sig som katalysator til den ønskede reaktion. Det næste skridt – at syntetisere materialet – er nemlig ofte for dyrt og besværligt til, at man bare kan eksperimentere sig frem i laboratoriet.

...til grøn omstilling

Målet for forskningssamarbejdet mellem Aarhus og Berlin var at finde en hurtig og effektiv måde til at screene potentielle katalysatorer. Vel at mærke katalysatorer, der kan bruges til at syntetisere grønne brændstoffer med, som f.eks. methanol, ethanol og flydende metan.

Sådan nogle, altså nye og bedre katalysatorer, er der et stort og voksende behov for.  

En af udfordringerne er, at der i sådanne reaktioner typisk indgår så mange forskellige og komplekse molekyler, at selv ikke en supercomputer vil kunne løse opgaven med at screene kandidaterne. Sådan én foretager nemlig en kvantemekanisk beregning af bindingens styrke for hver mulig position af molekylet på katalysatoroverfladen, og det vil ganske enkelt tage alt for lang tid.

Erfaren Tetris-spiller slår supercomputer

Med maskinlæring kan man derimod træne algoritmer med resultaterne af tidligere beregninger for lignende molekyler og katalysatoroverflader, så de kan lave pålidelige forudsigelser om bindinger uden behov for yderligere supercomputertid og dermed meget hurtigere.

”Det svarer til, at en erfaren Tetris-spiller udvikler en intuition for, hvordan man bedst placerer brikkerne, uden at analysere hver eneste af dem, mens de daler ned,” forklarer Wenbin Xu, som er ph.d.-studerende ved Fritz Haber Instituttet.

Den nye algoritme giver allerede nøjagtige bindingsoplysninger for store og komplekse molekyler, der er centrale i de reaktioner, der kan lave syntetiske brændstoffer.

Læring kræver information

Kunstig intelligens og maskinlæring er ikke nye opfindelser, men hidtil har eksisterende algoritmer kun kunnet forudsige bindingen af små molekyler, der binder med en indlysende orientering til overfladen – ligesom et simpelt kvadratisk Tetris-stykke.

Så hvad adskiller den nye algoritme fra de andre?

"Problemet med de eksisterende algoritmer var, at de manglede information om, hvor det enkelte atom er placeret geometrisk i molekylet, og hvordan det er bundet til molekylets andre atomer og til atomerne i katalysatoroverfladen. Vores nye algoritme til maskinlæring, som er baseret på matematisk grafteori, får disse informationer og kan bruge dem effektivt,” forklarer Mie Andersen, som er fellow på Aarhus Institute of Advanced Studies (AIAS) og lektor på Institut for Fysik og Astronomi på Aarhus Universitet samt en del af instituttets Center for Interstellar Catalysis.

Kan også bruges til forskning i livets opståen

Den nye algoritme kan endda få konsekvenser for vores forståelse af livets oprindelse. Den kan nemlig være med til at bestemme, hvordan interstellare støvkorn i nanostørrelse fungerer som katalysatorer i kemiske processer, der får gasser i verdensrummet til at danne komplekse molekyler – som f.eks. de DNA-baser og aminosyrer, som livet på Jorden bygger på.