Gli algoritmi imparano la fisica

Un team internazionale di scienziati della Technische Universität di Berlino, dell'Istituto Fritz-Haber della Gesellschaft Max-Planck e dell'Università di Lussemburgo è riuscito ora a combinare l'Apprendimento Automatico e la Meccanica Quantistica in modo tale da poter prevedere la dinamica e le interazioni atomiche nelle molecole con una precisione ed efficienza finora sconosciute. Le simulazioni di dinamica molecolare costituiscono la base di molti modelli nelle scienze naturali e dei materiali. Tuttavia, la loro capacità predittiva dipende sempre dalla precisione delle interazioni interatomiche sottostanti, descritte sotto forma di potenziali. I potenziali classici si basano su modelli meccanicistici che non riescono a catturare effetti quantistici importanti. Il lavoro pubblicato ora fornisce nuove conoscenze sul comportamento dinamico complesso delle molecole. Questo sviluppo promette di migliorare significativamente la capacità predittiva della modellazione atomica moderna in chimica, biologia o anche nelle scienze dei materiali.

Conoscenze esatte sulla dinamica molecolare di una sostanza, cioè conoscenze precise sugli stati e le interazioni possibili degli atomi singoli in questa molecola, aiutano a comprendere e anche a sfruttare molte reazioni chimiche e fisiche. "I metodi di apprendimento automatico hanno cambiato drasticamente il lavoro in molte discipline, ma finora sono stati poco utilizzati nella simulazione di dinamica molecolare", afferma il Dr. Klaus-Robert Müller, professore di Apprendimento Automatico alla TU di Berlino. Il problema: la maggior parte degli algoritmi standard è stata sviluppata con la consapevolezza che la quantità di dati da elaborare sia irrilevante. "Ma questo non vale per i calcoli quantistici accurati di una molecola, in cui ogni singolo dato è decisivo e il calcolo di una molecola più grande può richiedere molte settimane o anche mesi. La enorme potenza di calcolo necessaria finora ha reso impossibili simulazioni di dinamica molecolare ultraprécise", spiega Klaus-Robert Müller.

Proprio questa sfida è stata ora risolta dagli scienziati integrando le leggi fisiche nei metodi di apprendimento automatico. "Il trucco consiste nel non calcolare tutti gli stati potenzialmente possibili della dinamica molecolare, ma solo quelli che non derivano da leggi fisiche conosciute o dall'applicazione di operazioni di simmetria", spiega Klaus-Robert Müller.

Da un lato, i nuovi algoritmi sfruttano tra l'altro le simmetrie matematiche naturali all'interno delle molecole. Riconoscono, ad esempio, assi di simmetria che non modificano le proprietà fisiche della molecola. In questo modo, questi punti dati devono essere calcolati una sola volta, anziché più volte, riducendo così notevolmente la complessità del calcolo. Dall'altro, il metodo di apprendimento utilizza la legge fisica della conservazione dell'energia e non calcola affatto stati molecolari che, in base a questa legge, sono impossibili.

Con l'approccio innovativo, secondo cui i metodi di apprendimento automatico utilizzati "includono" le leggi fisiche prima di imparare a calcolare la dinamica molecolare, il team è riuscito a superare il conflitto tra alta precisione ed efficienza dei dati.

"Il nostro approccio fornisce la chiave finora mancante per raggiungere la precisione spettroscopica nelle simulazioni molecolari, necessaria per una modellazione davvero realistica", spiega il Prof. Dr. Alexandre Tkatchenko, responsabile del gruppo "Fisica Chimica Teorica" all'Università di Lussemburgo.

"Questi algoritmi speciali permettono di concentrarsi sui problemi difficili della simulazione, invece di usare la potenza di calcolo per ricostruire relazioni banali tra punti dati. Con questo, questo lavoro dimostra in modo impressionante il grande potenziale della combinazione di intelligenza artificiale e chimica o anche di altre scienze naturali", afferma Klaus-Robert Müller.

Il lavoro è stato finanziato dalla Deutsche Forschungsgemeinschaft, dal Consiglio Europeo della Ricerca e dalla Korean National Research Foundation. Una parte di questa ricerca è stata condotta mentre gli autori visitavano l'Istituto di Matematica Pura e Applicata IPAM dell'Università della California, Los Angeles (UCLA), sostenuto dalla National Science Foundation.