Capturing long-range interaction with reciprocal space neural network
Questo articolo propone un metodo di rete neurale nello spazio reciproco che trasforma le informazioni strutturali nello spazio reale per consentire ai potenziali interatomici di apprendimento automatico di catturare accuratamente le interazioni a lungo raggio, migliorando così la previsione delle proprietà globali e facilitando le simulazioni dinamiche su larga scala di sistemi complessi come materiali ionici e cristalli difettosi.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Per comprendere i materiali che compongono il nostro mondo, dal silicio in un chip di un computer al sale nel nostro spargitore, gli scienziati si rivolgono spesso a uno strumento potente chiamato dinamica molecolare. Questo è un modo per simulare come gli atomi si muovono e interagiscono nel tempo, ma per eseguire queste simulazioni, i ricercatori hanno bisogno di una mappa affidabile che indichi quanta energia è immagazzinata in ogni data disposizione di atomi. Per decenni, lo standard di riferimento per la creazione di queste mappe è stato un metodo basato sulle leggi della meccanica quantistica, che è incredibilmente accurato ma così computazionalmente costoso da poter gestire solo piccoli gruppi di atomi per periodi molto brevi. Per studiare sistemi più grandi o scale temporali più lunghe, gli scienziati si sono rivolti all'apprendimento automatico, addestrando i computer a imparare la relazione tra le posizioni atomiche e l'energia. Tuttavia, la maggior parte di questi moderni modelli di apprendimento opera su un'ipotesi semplice: che un atomo si curi solo dei suoi vicini immediati. Essi osservano il vicinato locale e ignorano ciò che accade lontano. Questo funziona bene per molti materiali, ma fallisce per altri, in particolare quelli composti da particelle cariche come i sali o certi cristalli, dove l'attrazione o la repulsione di un atomo può estendersi attraverso l'intera struttura, influenzando il comportamento del materiale in modi che le istantanee locali non possono catturare.
Un team di ricercatori della Fudan University e dello Shanghai Qi Zhi Institute ha sviluppato un nuovo approccio per correggere questo punto cieco. Si sono resi conto che, per capire come gli atomi distanti influenzino l'uno l'altro, dovevano guardare il materiale non solo come una collezione di singoli punti nello spazio, ma come un intero schema di onde. In fisica, esiste un modo matematico per tradurre la disposizione degli atomi in un cristallo in un altro tipo di spazio, spesso chiamato spazio reciproco, che è naturalmente adatto a descrivere schemi che si ripetono su lunghe distanze. I ricercatori hanno costruito un nuovo tipo di modello informatico che prende l'immagine standard di un cristallo, la traduce in questo linguaggio basato sulle onde e utilizza una rete neurale per apprendere i contributi energetici da questi schemi a lungo raggio. Hanno poi combinato questa visione globale con la tradizionale visione locale, creando un modello ibrido che vede sia i vicini immediati che le influenze distanti simultaneamente.
Il team ha testato questo nuovo metodo su diversi materiali differenti per vedere se potesse realmente migliorare le previsioni. Per prima cosa, hanno esaminato un dataset di perovskiti organico-inorganiche ibride, un tipo di cristallo utilizzato nelle celle solari, per prevedere i loro band gap, che sono una misura di quanto bene conducono l'elettricità. Quando hanno confrontato il loro nuovo modello con i metodi esistenti, l'approccio ibrido che includeva le informazioni sulle onde a lungo raggio è risultato il più accurato, riducendo significativamente l'errore nelle sue previsioni. Al contrario, hanno scoperto che aggiungere semplicemente un calcolo standard a lungo raggio senza il nuovo componente della rete neurale non aiutava, e che usare solo le informazioni a lungo raggio senza i dettagli locali non era sufficiente da solo. Il successo derivò dal modo specifico in cui hanno combinato le due prospettive.
Successivamente, i ricercatori hanno affrontato una sfida più difficile: simulare cristalli con difetti, ovvero parti mancanti, dove le forze a lungo raggio sono particolarmente critiche. Hanno creato un modello di un cristallo di sale, il cloruro di sodio, e hanno introdotto tremolii casuali agli atomi per simulare le imperfezioni del mondo reale. Hanno addestrato il loro modello a prevedere l'energia totale di queste strutture, un compito che richiede di tenere conto dell'attrazione elettrica tra ogni singolo atomo nel sistema. I risultati hanno mostrato che il loro nuovo metodo, che apprende le forze a lungo raggio direttamente dai dati, era molto più accurato dei modelli precedenti, specialmente quando il cristallo era grande e conteneva difetti. Hanno testato questo metodo anche su un complesso materiale semiconduttore chiamato nitruro di gallio, utilizzato nell'elettronica di potenza. In questo caso, il nuovo modello non solo ha previsto l'energia in modo più accurato, ma ha anche fornito un quadro molto più stabile di come si comportassero le forze tra gli atomi, riducendo gli errori nelle previsioni delle forze di un margine significativo rispetto ai modelli standard.
La chiave di questo miglioramento non è stata solo l'aggiunta di più dati, ma il cambiare il modo in cui il computer "vede" il cristallo. Traducendo le posizioni atomiche in un formato che cattura naturalmente gli schemi ripetitivi e a lunga distanza del materiale, il modello ha potuto apprendere le sottili interazioni a lungo raggio che i modelli tradizionali perdono. I ricercatori hanno anche scoperto che il modo in cui hanno addestrato il modello contava molto; hanno scoperto che insegnare al computer a comprendere prima l'ambiente locale, e poi aggiungere le informazioni a lungo raggio in un secondo passaggio, produceva risultati molto migliori rispetto al cercare di imparare tutto contemporaneamente. Questo nuovo approccio offre una strada promettente per progettare materiali migliori, in particolare per sistemi in cui il comportamento dell'insieme dipende dalle connessioni invisibili tra atomi che si trovano lontani tra loro.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.