Una nuova ricerca che sfrutta le reti neurali, una forma di intelligenza artificiale ispirata al cervello, ha proposto una soluzione alla difficile sfida di modellare gli stati delle molecole.
Svolta negli studi sull’eccitazione delle molecole
Un nuovo studio dell’Imperial College e di Google DeepMind ha introdotto un metodo basato su reti neurali per modellare stati eccitati molecolari. Questo metodo potrebbe migliorare significativamente l’accuratezza della chimica computazionale, aiutando lo sviluppo di nuovi materiali e tecnologie attraverso simulazioni prima della sperimentazione effettiva in laboratorio.
La ricerca ha dimostrato come la tecnica possa aiutare a risolvere equazioni fondamentali in sistemi molecolari complessi.Questo potrebbe avere applicazioni pratiche in futuro, aiutando i ricercatori a prototipare nuovi materiali e sintesi chimiche utilizzando la simulazione al computer prima di provare a realizzarli in laboratorio.
Lo studio, condotto dagli scienziati dell’Imperial College di Londra e di Google DeepMind, è stato pubblicato sulla rivista Science.
Il team ha studiato il problema di comprendere come le molecole transitano da e verso gli “stati eccitati”. Quando molecole e materiali vengono stimolati da una grande quantità di energia, come l’esposizione alla luce o ad alte temperature, i loro elettroni possono essere spinti in una nuova configurazione temporanea, nota come stato eccitato.
Il Dottor David Pfau ha dichiarato: “Rappresentare lo stato di un sistema quantistico è estremamente impegnativo. È esattamente qui che abbiamo pensato che le reti neurali profonde potessero aiutare”.
l’AI modella gli stati eccitati delle molecole
La quantità esatta di energia assorbita e rilasciata quando le molecole passano da uno stato all’altro crea un’impronta digitale unica per diverse molecole e materiali. Questo influisce sulle prestazioni di tecnologie che vanno dai pannelli solari e LED ai semiconduttori e fotocatalizzatori. Essi svolgono anche un ruolo fondamentale nei processi biologici che coinvolgono la luce, tra cui la fotosintesi e la visione.
Questa impronta digitale, tuttavia, è estremamente difficile da modellare perché gli elettroni eccitati sono di natura quantistica, il che significa che la loro posizione all’interno delle molecole non è mai certa e può essere espressa solo come probabilità.
Il ricercatore capo Dottor David Pfau, di Google DeepMind e del Dipartimento di Fisica dell’Imperial, ha affermato: “Rappresentare lo stato di un sistema quantistico è estremamente impegnativo. Bisogna assegnare una probabilità a ogni possibile configurazione delle posizioni degli elettroni”.
Ed ha aggiunto: “Lo spazio di tutte le possibili configurazioni è enorme: se provassi a rappresentarlo come una griglia con 100 punti lungo ogni dimensione, allora il numero di possibili configurazioni elettroniche per l’ atomo di silicio sarebbe maggiore del numero di atomi nell’universo. È esattamente qui che pensavamo che le reti neurali profonde potessero aiutare”.
Sfruttamento delle reti neurali per l’analisi delle molecole
I ricercatori hanno sviluppato un nuovo approccio matematico e lo hanno utilizzato con una rete neurale chiamata FermiNet (rete neurale fermionica), che è stato il primo esempio in cui l’apprendimento profondo è stato utilizzato per calcolare l’energia di atomi e molecole a partire da principi fondamentali, con un’accuratezza sufficientemente elevata da risultare utile.
Il team ha testato il proprio approccio con una serie di esempi, con risultati promettenti. Su una molecola piccola ma complessa chiamata dimero di carbonio, i ricercatori hanno ottenuto un errore assoluto medio (MAE) di 4 meV (millielettronvolt, una piccola misura di energia), che è cinque volte più vicino ai risultati sperimentali rispetto ai precedenti metodi gold standard che raggiungevano 20 meV.
Pfau ha spiegato: “Abbiamo testato il nostro metodo su alcuni dei sistemi più impegnativi della chimica computazionale, in cui due elettroni vengono eccitati simultaneamente, e abbiamo scoperto che eravamo entro circa 0,1 eV dai calcoli più impegnativi e complessi eseguiti fino ad oggi!.
Ed ha concluso: “Oggi rendiamo open source il nostro ultimo lavoro e speriamo che la comunità di ricerca si basi sui nostri metodi per esplorare i modi inaspettati in cui la materia interagisce con la luce”.
