Differential Learning for Robust Prediction of Thermal Stability with Application to Energetic Materials

Ogni materiale ha un punto di rottura, un momento in cui il calore diventa eccessivo da sopportare e i legami chimici che lo tengono insieme iniziano a spezzarsi. Per gli scienziati che progettano materiali energetici — sostanze come esplosivi e propellenti che alimentano i razzi o azionano i macchinari — conoscere questo punto di rottura è una questione di vita o di morte. Se un materiale è troppo instabile, potrebbe esplodere prematuramente durante lo stoccaggio; se è troppo stabile, potrebbe non svolgere il suo compito quando necessario. Il modo standard per misurare questo margine di sicurezza è riscaldare un campione in un laboratorio e registrare la temperatura esatta alla quale inizia a decomporsi. Tuttavia, questa semplice misurazione è sorprendentemente difficile da considerare affidabile. Diversi laboratori utilizzano diverse velocità di riscaldamento, diverse quantità di campione e diversi modi per riportare i risultati. Quando i ricercatori cercano di raccogliere questi numeri da molteplici fonti per costruire un modello informatico, i dati diventano un insieme rumoroso e incoerente, rendendo quasi impossibile insegnare a una macchina a prevedere quali nuove molecole saranno sicure e quali saranno pericolose.

Un team di ricercatori del Los Alamos National Laboratory e della Texas Tech University ha trovato un modo intelligente per tagliare questo rumore. Invece di cercare di insegnare a un computer a prevedere la temperatura esatta alla quale una molecola si romperà, gli hanno insegnato a confrontare due molecole alla volta e decidere quale sia la più stabile. Questo approccio, che chiamano apprendimento differenziale, ignora le differenze confusionarie tra i laboratori e si concentra interamente sull'ordine relativo dei materiali. Addestrando l'intelligenza artificiale a osservare coppie di molecole e a prevedere la differenza nella loro stabilità, il team ha creato un sistema in grado di classificare migliaia di composti con alta precisione. Il loro lavoro suggerisce che, sebbene non si possa sempre fidare di un singolo numero da un rapporto di laboratorio, possiamo fidarci affidabilmente della relazione tra due diversi prodotti chimici.

I ricercatori hanno applicato questo metodo a un dataset di molecole organiche contenenti solo carbonio, idrogeno, azoto e ossigeno, un gruppo comune nei materiali energetici. Hanno raccolto dati sperimentali da studi pubblicati, ma, come previsto, i numeri erano incoerenti. Quando hanno provato a utilizzare modelli informatici standard per prevedere la temperatura di decomposizione esatta per ogni molecola, i risultati sono stati scarsi. I modelli faticavano a distinguere tra molecole molto simili e spesso non riuscivano a identificare gli outlier più stabili o meno stabili. Questo fallimento ha evidenziato il problema: il rumore nei dati stava soffocando i veri segnali chimici.

Per risolvere la questione, il team ha cambiato la domanda. Hanno smesso di chiedere al computer: "Qual è la temperatura di questa molecola?" e hanno iniziato a chiedere: "Questa molecola è più stabile di quella?". Hanno fornito al computer coppie di molecole e gli hanno chiesto di prevedere la differenza nella loro stabilità. Questo cambiamento ha permesso loro di generare un numero enorme di esempi di addestramento da un set di dati relativamente piccolo. Se avevano 850 molecole, potevano creare centinaia di migliaia di coppie uniche da studiare. Il computer ha imparato a individuare le sottili caratteristiche strutturali che rendevano una molecola più resistente di un'altra, filtrando efficacemente gli errori sperimentali che affliggevano i numeri assoluti.

Hanno testato due diversi tipi di modelli informatici per vedere quale funzionasse meglio. Un modello guardava le molecole come semplici grafi di atomi e legami, imparando direttamente dalla forma della molecola. L'altro modello utilizzava un elenco di proprietà calcolate, come quanta energia sarebbe necessaria per rompere un legame specifico, per prendere la sua decisione. Entrambi i modelli si sono comportati in modo eccezionale. Quando interrogati sul ranking delle molecole in un set di test, hanno identificato correttamente il membro più stabile di una coppia circa l'87 percento delle volte. Questo è stato un miglioramento significativo rispetto ai metodi tradizionali, che avevano faticato a dare senso agli stessi dati. Il successo di entrambi i modelli, nonostante utilizzassero modi diversi di osservare le molecole, ha dato ai ricercatori la conferma di aver trovato un modo robusto per gestire dati sperimentali disordinati.

Oltre al semplice ranking delle molecole, i ricercatori volevano capire cosa stesse effettivamente imparando il computer. Hanno utilizzato una tecnica per guardare dentro la "scatola nera" della rete neurale e vedere quali caratteristiche guidavano le previsioni. Hanno scoperto che il computer faceva affidamento pesantemente su due fattori principali: l'equilibrio di ossigeno nella molecola e la forza dei suoi legami chimici più deboli. Questo si allinea con quanto i chimici sospettano da tempo. Nei materiali energetici, la presenza di ossigeno è spesso correlata a prestazioni elevate ma a una stabilità inferiore, mentre il legame più debole in una catena agisce come un innesco per la decomposizione. Tuttavia, lo studio ha anche rivelato che nessun singolo fattore racconta l'intera storia. Il computer non si limitava a guardare il legame più debole in isolamento; considerava l'intera combinazione della forma della molecola, della forza dei suoi legami e della sua composizione chimica. Ciò suggerisce che prevedere la stabilità sia un puzzle complesso in cui l'interazione di molte piccole parti conta più di un singolo pezzo.

Per dimostrare come questa intuizione potesse essere utilizzata nel mondo reale, il team ha utilizzato una famosa molecola altamente stabile chiamata TATB come punto di partenza. Hanno chiesto al computer di immaginare piccole variazioni alla struttura della molecola e di prevedere come tali variazioni avrebbero influenzato la sua stabilità. Il modello ha identificato correttamente che sostituire determinati gruppi di atomi con altri poteva rafforzare o indebolire la molecola. Ad esempio, ha previsto che scambiare specifici gruppi contenenti idrogeno con altri contenenti ossigeno avrebbe reso la molecola significativamente meno stabile. Al contrario, ha suggerito che rimuovere completamente certi gruppi instabili avrebbe reso la molecola ancora più robusta. Queste scoperte forniscono una guida chiara per i chimici che vogliono progettare nuovi materiali: sanno quali caratteristiche strutturali mantenere e quali evitare per raggiungere il giusto equilibrio tra potenza e sicurezza.

Lo studio conclude che questo approccio differenziale è uno strumento potente per la scoperta di materiali, specialmente quando i dati disponibili sono imperfetti. Concentrandosi sulle differenze relative piuttosto che sui valori assoluti, i ricercatori sono stati in grado di costruire un modello che funziona bene nonostante le incoerenze nel modo in cui i dati sono stati raccolti. Hanno reso i loro dataset e i loro modelli accessibili al pubblico, sperando che altri utilizzino questo metodo per progettare materiali più sicuri ed efficaci. Sebbene gli attuali modelli si basino sulle proprietà di molecole isolate nel vuoto, i ricercatori riconoscono che i materiali del mondo reale esistono in forme solide dove le molecole interagiscono tra loro. Il lavoro futuro dovrà tenere conto di queste interazioni, ma il successo di questo nuovo metodo offre una strada promettente per navigare nella complessa chimica della stabilità termica.