Die Molekülstruktur lässt sich aus den Bewegungen von Ionen rekonstruieren, die nach einer Coulomb-Explosion entstehen. Ein internationales Forschungsteam hat dazu ein generatives KI-Modell entwickelt, das die registrierten Ionenimpulse nutzt, um die ursprüngliche Geometrie eines Moleküls zu bestimmen.
Grundlage sind experimentelle Messdaten und simulationsbasierte Datensätze, mit denen das Modell trainiert wurde. Auf dieser Basis konnten die Molekülstruktur und die räumliche Anordnung der Atome in kleinen Molekülen präzise vorhergesagt werden. Damit eröffnet der Ansatz die Möglichkeit, Moleküle während chemischer Reaktionen in einzelnen Zuständen abzubilden und auf größere molekulare Systeme zu übertragen.
Wenn Moleküle zerfallen und dennoch rekonstruierbar bleiben
Die Untersuchung isolierter Moleküle in der Gasphase ist bislang nur eingeschränkt möglich, weil etablierte Verfahren jeweils grundlegende Einschränkungen mit sich bringen. Während die Elektronenmikroskopie eine Fixierung der Proben erfordert und damit frei schwebende Moleküle nicht zugänglich macht, setzen diffraktionsbasierte Methoden ausreichend dichte Proben voraus, sodass die entstehenden Signale stark genug sind. Die daraus resultierenden Daten stellen jedoch Mittelwerte vieler Moleküle dar, wodurch strukturelle Details verloren gehen, die nur bei einzelnen Molekülen sichtbar werden.
Die Coulomb-Explosions-Bildgebung setzt genau an dieser Stelle an, indem sie ein einzelnes Molekül in einer Vakuumkammer mit einem intensiven Röntgenpuls trifft, der die Elektronen entfernt und positiv geladene Ionen hinterlässt. Diese stoßen sich infolge ihrer Ladung ab, fliegen auseinander und werden von einem Detektor erfasst, der ihre Impulse registriert. Aus diesen Bewegungsdaten lässt sich die ursprüngliche Molekülstruktur ableiten, auch wenn die Atome sich während der kurzen Zeitspanne zwischen Ionisation und Zerfall geringfügig verschieben, was die Rückrechnung zusätzlich erschwert.
Wie aus Daten und Simulationen verlässliche Strukturen entstehen
Um die Molekülstruktur aus diesen komplexen Bewegungsmustern bestimmen zu können, wurde ein Modell für maschinelles Lernen entwickelt, das nicht auf der direkten Lösung physikalischer Gleichungen beruht, sondern Muster in Trainingsdaten erkennt und daraus statistische Vorhersagen ableitet. Dieser Ansatz ermöglicht es, die Beziehung zwischen Ionenimpulsen und ursprünglicher Geometrie abzubilden, ohne jeden einzelnen physikalischen Prozess explizit berechnen zu müssen.
Die Grundlage für das Training bildeten umfangreiche Datensätze, die aus Simulationen hervorgingen, welche sowohl quantenmechanische als auch klassische physikalische Gleichungen berücksichtigen. Nach einer Laufzeit von über einem Monat entstand so ein Datensatz mit rund 76.000 Molekülproben, der jedoch für sich genommen nicht ausreichte, um präzise Vorhersagen zu ermöglichen. Erst durch die Ergänzung um einen zweiten, deutlich größeren Datensatz, der auf klassischer Physik basiert, konnte die Genauigkeit entscheidend verbessert werden, sodass die Molekülstruktur aus den vorliegenden Daten deutlich zuverlässiger rekonstruiert werden konnte.
Abgleich mit experimentellen Messungen
Die Leistungsfähigkeit des Modells wurde zunächst anhand von Daten überprüft, die während des Trainings nicht verwendet worden waren, wodurch sich zeigen ließ, dass die Vorhersagefehler durch das zweistufige Training deutlich reduziert werden konnten. In einem weiteren Schritt erfolgte die Anwendung auf experimentelle Messdaten, bei denen die Ionenimpulse realer Moleküle als Ausgangspunkt dienten.
Untersucht wurden unter anderem Wasser, Tetrafluormethan und Ethanol, deren rekonstruierte Molekülstruktur mit etablierten Referenzdaten verglichen wurde. Dabei zeigte sich, dass die Bindungen an den erwarteten Positionen lagen und lediglich geringe Abweichungen in den Bindungswinkeln auftraten, während die Positionsfehler in der Regel unterhalb der Hälfte einer typischen chemischen Bindungslänge blieben.
Ausweitung auf größere Moleküle und komplexere Systeme
Die Rekonstruktion der Molekülstruktur aus Coulomb-Explosionsdaten ist mit erheblichen rechnerischen Anforderungen verbunden, die mit der Anzahl der Atome stark ansteigen und die Auswertung entsprechend komplex machen. Gleichzeitig entstehen in entsprechenden Experimenten große Datenmengen, deren Interpretation ohne geeignete Verfahren nur eingeschränkt möglich ist.
Das Modell wird daher weiterentwickelt, um größere molekulare Systeme zu erfassen und in zeitaufgelösten Experimenten eingesetzt zu werden, bei denen aufeinanderfolgende Zustände sichtbar gemacht werden können. Darüber hinaus wird untersucht, inwieweit sich die Molekülstruktur auch dann rekonstruieren lässt, wenn einzelne bei der Explosion entstehende Ionen vom Detektor nicht erfasst werden.
Wenn diese Herausforderungen gelöst werden, könnte die Methode breiter in der biologischen und chemischen Forschung eingesetzt werden. Proteine können beispielsweise aus Tausenden von Atomen bestehen. Ziel ist es, Systeme untersuchen zu können, die biologisch oder industriell relevanter sind.
An der Arbeit waren neben weiteren Beteiligten Forschende vom Stanford PULSE Institute, der Stanford University, der Kansas State University, dem European XFEL, dem Max-Planck-Institut für Kernphysik, dem Fritz-Haber-Institut sowie der Sorbonne-Universität beteiligt. Große Teile der Arbeit wurden durch das Office of Science des US-Energieministeriums gefördert.
Originalpublikation: Li, X., Jahnke, T., Boll, R. et al. Generative modeling enables molecular structure retrieval from Coulomb explosion imaging. Nat Commun (2026). https://doi.org/10.1038/s41467-026-70160-5
