Effetti remoti spettrali sotto indagine

Ancora in gran parte territorio inesplorato è l'uso dell'Intelligenza Artificiale (IA) nelle scienze classiche come Chimica, Fisica o Matematica: ricercatori e ricercatrici dell'Istituto di Berlino per le Fondamenta dell'Apprendimento e dei Dati (BIFOLD) presso l'Università Tecnica di Berlino, in collaborazione con Google Research, sono riusciti a sviluppare un algoritmo che, analizzando dati quantomeccanici, può prevedere con grande precisione ed efficienza lo stato energetico potenziale di molecole.

Questo potrebbe aprire nuove possibilità, soprattutto per i ricercatori e ricercatrici nel campo dei materiali. Il paper "SpookyNet: Learning Force Fields with Electronic Degrees of Freedom and Nonlocal Effects" è stato recentemente pubblicato su Nature Communications.

"La meccanica quantistica si occupa, tra l'altro, delle proprietà chimiche e fisiche di una molecola sulla base della disposizione spaziale dei suoi atomi. Una reazione chimica, invece, si basa sull'interazione di molte molecole ed è un processo multidimensionale", spiega il Prof. Dr. Klaus-Robert Müller, co-direttore di BIFOLD. Prevedere e modellare i singoli passaggi di una reazione chimica a livello molecolare o addirittura atomico è un sogno a lungo coltivato da molti ricercatori e ricercatrici nel campo dei materiali. Un ruolo cruciale per la reattività delle molecole è svolto dalla cosiddetta iper-superficie di potenziale. Essa descrive la dipendenza dell'energia degli atomi di una molecola dalla disposizione geometrica dei nuclei atomici. Conoscere le iper-superfici di potenziale estremamente precise di molecole permette di simulare il movimento di singoli atomi, ad esempio durante una reazione chimica, per comprendere meglio le loro proprietà quantomeccaniche dinamiche e prevedere con precisione l'esito e il processo delle reazioni.

"Si può immaginare l'iper-superficie di potenziale come un paesaggio con montagne e valli. Come una biglia che rotola su una versione in miniatura di questo paesaggio, il movimento degli atomi è determinato dalle montagne e dalle valli sulla iper-superficie di potenziale: questo processo si chiama anche dinamica molecolare", spiega il Dr. Oliver Unke, ricercatore presso Google Research a Berlino.

Contrariamente a molti altri ambiti dell'apprendimento automatico, in cui a un'IA sono spesso disponibili quantità quasi infinite di dati, per la previsione delle iper-superfici di potenziale di solito sono disponibili solo pochi dati di riferimento quantomeccanici, che devono essere generati con un enorme sforzo computazionale. "Se da un lato, la modellazione matematica precisa delle proprietà molecolari può risparmiare costosi e lunghi esperimenti di laboratorio, dall'altro richiede comunque capacità di calcolo proporzionalmente elevate."

Con la speranza che il nostro nuovo algoritmo di Deep Learning — un cosiddetto modello Transformer, che considera per la prima volta anche spin e carica degli atomi — possa portare a nuove scoperte nel campo della chimica, biologia e scienza dei materiali, con un consumo di energia molto inferiore", afferma Klaus-Robert Müller.

Per ottenere un'efficienza dei dati particolarmente elevata, il nuovo modello di Deep Learning dei ricercatori combina l'IA con leggi fisiche note. Alcuni aspetti dell'iper-superficie di potenziale possono essere descritti molto precisamente con formule fisiche semplici. Il nuovo metodo impara quindi solo le parti dell'iper-superficie di potenziale per le quali non è disponibile una descrizione matematica semplice. "Molto pratico: l'IA deve imparare solo ciò che la fisica ancora non può spiegare", spiega Klaus-Robert Müller. In questo modo si può risparmiare capacità di calcolo.

Separazione spaziale di causa ed effetto

Un'altra caratteristica speciale è che l'algoritmo può anche descrivere interazioni non locali. "Non-località" in questo contesto significa che una modifica a un atomo, in una posizione geometrica specifica della molecola, può influenzare atomi in una posizione geometrica separata nello spazio. A causa della separazione spaziale tra causa ed effetto — Albert Einstein parlava di "aura a distanza" — queste proprietà dei sistemi quantistici sono particolarmente difficili da imparare per un'IA. I ricercatori e ricercatrici hanno risolto questo problema con un cosiddetto Transformer, un metodo originariamente sviluppato per l'elaborazione automatica del linguaggio e dei testi, o anche delle immagini. "In un testo, il significato di una parola o di una frase dipende spesso molto dal contesto. E questa informazione contestuale può trovarsi in una sezione completamente diversa del testo. In questo senso, anche il linguaggio non è localizzato in modo assoluto", spiega Klaus-Robert Müller. Con l'aiuto di un tale Transformer, i ricercatori e ricercatrici possono distinguere anche diversi stati elettronici di una molecola, come spin e carica. "Questo è importante, ad esempio, per i processi fisici nelle celle solari, in cui una molecola assorbe la luce e viene eccitata in uno stato elettronico diverso", spiega Oliver Unke.

Pubblicazione:
Oliver T. Unke, Stefan Chmiela, Michael Gastegger, Kristof T. Schütt, Huziel E. Sauceda e Klaus-Robert Müller: "SpookyNet: Learning force fields with electronic degrees of freedom and nonlocal effects", Nature Communications 12: 7273 (2021)