Kontextsensitives chemisches Vektorembedding

Niveau: Master
Schlüsselwörter: maschinelles Lernen, neuronale Netze, Vektoreinbettung in Python, Astrochemie, interstellares Medium

Weiterführende Arbeiten: "Chemulator: Schnelle, genaue Thermochemie für dynamische Modelle durch Emulation" (Holdship et al. 2021, https://ui.adsabs.harvard.edu/abs/2021A%26A...653A..76H/abstract  )

Neuronale Netze werden zur Emulation (Vorhersage) der Lösung von chemischen Netzberechnungen im astrochemischen ISM-Kontext verwendet. Die derzeitigen Versuche nach dem Stand der Technik sind in ihrer Vorhersagegenauigkeit unzureichend.

Abbildung: Vergleich zwischen 'wahren' und vorhergesagten Dichtevektoren. (Holdship et al. 2021)

In diesem Projekt soll erforscht werden, wie kontextsensitive Vektoreinbettungsansätze aus der natürlichen Sprachverarbeitung, wie Skip-Gram oder GloVe, die Approximation chemischer Lösungen durch neuronale Netze verbessern können.

Relevante Links:

Skip-gram :http://mccormickml.com/2016/04/19/word2vec-tutorial-the-skip-gram-model/
GloVe: (https://www.aclweb.org/anthology/D14-1162 ), https://nlp.stanford.edu/projects/glove/
General: https://www.davidsbatista.net/blog/2018/12/06/Word_Embeddings/

Niveau: Bachelor

Stichworte: Astrochemie, Python, wissenschaftliche Programmierung, Graph-Theorie, Algorithmen

Interstellare Molekülwolken zeigen trotz ihrer geringen Dichte und Temperatur einen großen Reichtum an chemischen Reaktionen. Bis heute wurden fast 200 verschiedene Moleküle im interstellaren Medium identifiziert – von einfachen zwei-atomigen Molekülen bis hin zu Molekülen bestehend aus 12 und mehr Atomen (wie beispielsweise Iso-Propyl-Zyanid). Eine wichtige Klasse von chemischen Reaktionen ist dabei die auf Oberflächen von Staubkörnern. Beispielsweise findet
die Bildung des mit Abstand häufigsten Moleküls H₂ so gut wie ausschließlich auf Stauboberflächen statt. Auch die beobachteten Häufigkeiten von H₂O, CH₃OH und NH₃ können mit reiner Gas-Phasen Chemie nicht erklärt werden. Stauboberflächen sind allerdings nicht nur wichtige Katalysatoren bei der Bildung von Molekülen. Bei niedrigen Temperaturen fungieren sie auch als Lagerstätten für ausgefrorene Gase. Diese werden der Gasphase entzogen und formen dicke Eispanzer um Staubkörner.

Im Idealfall berücksichtigt man alle chemischen Reaktionspartner bei der Lösung des chemischen Problems. Allerdings nimmt der numerische Aufwand der Lösung mit der Zahl der chemischen Reaktanden N zur dritten Potenz O(N³) zu. In komplexen numerischen Modellen muss daher die Größe des chemischen Netzwerkes, also der Gesamtheit aller chemischen Reaktionen und Reaktionspartner, begrenzt werden. Dabei stellt sich die Frage nach einem sinnvollen Abschneide-Kriterium. Dieses muss vor allem so gewählt sein, dass immer noch alle chemischen Spezies ausreichend Bildungs- und Vernichtungsreaktionen ausführen können. In einem weiteren Schritt kann auch überlegt werden solche Reaktionen und Reaktionspartner zu vernachlässigen, die die gesamte chemische Struktur einer Wolke nicht oder nur unwesentlich beeinflussen.

In diesem Projekt sollen Python Algorithmen entwickelt werden, um diese Probleme zu lösen. So soll zum Beispiel aus einer Ausgangsliste chemischer Spezies eine 'abgeschlossene' Liste erstellt werden, die sicher stellt, dass alle Spezies ausreichend gebildet und vernichtet werden können.  Darauf aufbauend sollen Methoden der Graphentheory benutzt werden um solche chemischen Netze zu analysieren und zu optimieren.