Realistico e preciso

Le proprietà quantistiche degli atomi plasmano innumerevoli processi biochimici e fisici. Numerose sfide scientifiche sono legate alla comprensione di molti atomi che interagiscono nel tempo. Queste interazioni sono soggette alle leggi della meccanica quantistica. Esempi vanno dalla formazione delle strutture degli acidi nucleici nel patrimonio genetico, fino alla degradazione di molecole dannose nell'atmosfera.

Una sfida particolare di tali sistemi quantistici sono le loro correlazioni nello spazio e nel tempo: le loro proprietà più interessanti derivano non dalla somma dei contributi di singoli atomi, ma da molteplici correlazioni atomiche. Di conseguenza, i sistemi quantistici non possono essere modellati facilmente con metodi matematici. Una modellazione diretta delle complesse correlazioni supererebbe le capacità di calcolo esistenti. Un team internazionale di scienziati del Berlin Institute for the Foundations of Learning and Data (BIFOLD) presso la TU di Berlino, dell’Université du Luxembourg e di Google ha sviluppato con successo un algoritmo di apprendimento automatico per risolvere proprio questo problema.

L'algoritmo di apprendimento sviluppato ricostruisce cosiddetti campi di forza globali basandosi su metodi di apprendimento automatico (ML), senza fare semplificazioni inaccettabili. Il termine campi di forza globali in questo contesto descrive l’approccio di considerare tutte le interazioni atomiche (come ad esempio elettrostatiche, chimiche, ecc.) in una molecola, contrariamente alla pratica generalmente adottata di ridurre il numero di interazioni atomiche modellate per motivi di calcolo.

Più della somma delle parti

“Gli stati quantistici delle particelle elementari sono inscindibilmente collegati tra loro e le singole componenti non possono agire indipendentemente, senza influenzare l’intero sistema”, spiega il Dr. Alexandre Tkatchenko, professore di Fisica Chimica Teorica all’Università del Luxembourg. Questa proprietà rappresenta una delle differenze più profonde tra la meccanica quantistica e le interazioni classiche newtoniane ed elettrostatiche, note intuitivamente dalla vita quotidiana. Essa costituisce anche un dilemma nella modellazione dei sistemi quantistici: un paradigma diffuso nello sviluppo di algoritmi e un elemento chiave nella modellazione delle interazioni atomiche è la suddivisione di un problema in parti più piccole e indipendenti, per ridurre il carico computazionale. Tuttavia, nel caso dei sistemi quantistici, ciò non è possibile a causa delle proprietà sopra menzionate.

Campi di forza globali, in grado di catturare le interazioni collettive di molti atomi in sistemi molecolari, possono essere scalati con metodi di apprendimento automatico solo fino a qualche decina di atomi, poiché la complessità del modello aumenta significativamente con la dimensione del sistema studiato. Esattamente questa sfida è stata affrontata dal team, che ha sviluppato un algoritmo per addestrare campi di forza globali per sistemi con fino a diverse centinaia di atomi, senza ignorare le complesse correlazioni. Il loro approccio suddivide le interazioni atomiche fortemente accoppiate all’interno del modello in una cosiddetta componente collettiva a bassa dimensionalità, contenente schemi ricorrenti di interazione, e in un residuo che descrive i contributi delle interazioni individuali. Questa separazione permette di risolvere indipendentemente entrambe le parti del problema di ricostruzione del campo di forza. Vengono considerate le proprietà numeriche di ciascun sottoproblema, causate da inevitabili errori di arrotondamento nel calcolo computerizzato. In questo modo, è possibile ricostruire campi di forza globali basati su dati di riferimento più ampi, per rappresentare interazioni più complesse, come quelle presenti in grandi sistemi con molti atomi o in molecole particolarmente flessibili. “Le proprietà numeriche degli algoritmi di apprendimento spesso hanno un impatto maggiore di quanto si possa supporre dalla formulazione matematica e possono falsare i risultati. Miglioramenti nella stabilità numerica possono avere un effetto di vasta portata sull’applicabilità degli algoritmi”, afferma il Dr. Stefan Chmiela, responsabile del gruppo di Ricerca di Apprendimento Automatico per Sistemi Multicellulari presso BIFOLD.

Efficienza dei metodi determina l’utilizzo

Un ulteriore vantaggio del metodo sviluppato è che può essere parallelizzato su più computer. Elimina i colli di bottiglia algoritmici e permette un uso efficace dell’hardware di calcolo parallelo moderno, come le GPU. “Il successo degli algoritmi di apprendimento automatico dipende spesso da quanto siano efficienti nell’esecuzione e nella scalabilità su hardware di calcolo disponibile”, spiega il Prof. Dr. Klaus-Robert Müller, co-direttore di BIFOLD.

“Questo lavoro rappresenta un passo importante verso la simulazione realistica di sistemi con centinaia di atomi”, afferma il Dr. Oliver Unke, ricercatore di Google. Gli scienziati hanno già condotto con successo simulazioni dinamiche di complessi supramolecolari su scale temporali impegnative. Simulazioni simili sono routine nell’industria farmaceutica, per identificare composti con proprietà specifiche come potenziali candidati per nuovi farmaci. “I metodi di apprendimento automatico promettono di avvicinare modelli quantistici precisi a soluzioni empiriche efficienti. Hanno il potenziale di accelerare la ricerca scientifica in chimica quantistica, offrendo possibilità completamente nuove di comprendere meglio le interazioni atomiche in sistemi fisici complessi”, spiega Alexandre Tkatchenko.

Pubblicazione:

Stefan Chmiela, Valentin Vassilev-Galindo, Oliver T. Unke, Adil Kabylda, Huziel E. Sauceda, Alexandre Tkatchenko e Klaus-Robert Müller: "Accurate global machine learning force fields for molecules with hundreds of atoms", Science Advances, 9(2), 2023, eadf0873
DOI: 10.1126/sciadv.adf0873

Per ulteriori informazioni:
Dr. Stefan Chmiela
BIFOLD
E-mail: stefan@chmiela.com