Nella ricerca di nuovi materiali, gli scienziati si affidano spesso a uno strumento potente ma computazionalmente costoso chiamato teoria del funzionale della densità. Questo metodo agisce come un microscopio virtuale, calcolando come gli elettroni si dispongono attorno agli atomi per determinare le proprietà di un materiale, come la sua resistenza, la conducibilità o la capacità di condurre calore. Sebbene accurati, questi calcoli sono così lenti che testare anche solo poche migliaia di strutture candidate può richiedere anni. Per velocizzare il processo, i ricercatori si sono rivolti all'intelligenza artificiale, in particolare a un tipo di modello noto come rete neurale a grafi. Queste reti trattano un cristallo non come una griglia di numeri, ma come una mappa di connessioni, dove gli atomi sono punti e i legami tra di essi sono linee. Imparando da migliaia di cristalli noti, queste mappe possono prevedere le proprietà in una frazione di secondo. Tuttavia, per anni, questi modelli di IA sono stati fragili, richiedendo librerie software specializzate che spesso si rompono quando l'hardware del computer viene aggiornato, e sono stati limitati alla previsione di una sola cosa alla volta, costringendo gli scienziati a eseguire modelli separati e disconnessi per compiti diversi.

Un team di ricercatori ha introdotto un nuovo framework unificato chiamato ALIGNN 2.0 che risolve questi problemi ricostruendo l'intero sistema da zero utilizzando solo componenti software standard e ampiamente disponibili. Questo nuovo approccio elimina la necessità di librerie specializzate e difficili da mantenere, rendendo i modelli più facili da installare ed eseguire sugli ultimi chip per computer. Più importante ancora, unifica l'intero flusso di lavoro: un singolo modello può ora prevedere una vasta gamma di diverse proprietà da una struttura cristallina, spaziando da numeri semplici come l'energia a forme complesse come gli spettri di vibrazione e persino le forze che tengono uniti gli atomi. Ciò consente agli scienziati di simulare come un materiale si muove e cambia nel tempo, un compito che precedentemente richiedeva un tipo di modello completamente diverso. I ricercatori hanno scoperto che, mentre un modo specifico di connettere gli atomi funziona meglio per prevedere le proprietà statiche, un metodo di connessione leggermente diverso è essenziale per simulare il movimento senza violare le leggi della fisica. Padroneggiando entrambi, il nuovo sistema può esaminare milioni di materiali per superconduttori, prevedere come vibreranno quando riscaldati e persino generare intere strutture cristalline che non esistono ancora.

Il cuore di questo traguardo risiede nel modo in cui il modello "vede" il materiale. I modelli tradizionali spesso guardano gli atomi e le linee rette che li collegano, ma questo nuovo sistema aggiunge un secondo livello di visione: una mappa degli angoli tra quelle linee. Ciò consente all'IA di comprendere la geometria tridimensionale del cristallo, il che è fondamentale per prevedere proprietà come il modo in cui un materiale si piega sotto pressione o come conduce l'elettricità. I ricercatori hanno testato questo nuovo framework contro trenta compiti diversi, dalla previsione dell'energia necessaria per rimuovere uno strato da un materiale al calcolo della temperatura alla quale una sostanza diventa un superconduttore. In ventisei di questi test, il nuovo modello ha superato le versioni migliori precedenti, mostrando miglioramenti significativi nella previsione di risposte complesse come la piezoelectricità, ovvero la capacità di un materiale di generare elettricità quando viene schiacciato. Il sistema si è anche dimostrato capace di prevedere l'intero spettro di luce che un materiale assorbe o emette, eguagliando i risultati delle simulazioni fisiche tradizionali molto più lente.

Oltre a prevedere semplicemente cosa farà un materiale noto, i ricercatori hanno dimostrato che questo framework può lavorare al contrario per inventare nuovi materiali. Alimentando il modello con una composizione chimica desiderata e una proprietà target, come una specifica temperatura di superconduttività, il sistema può generare un elenco di strutture cristalline candidate che potrebbero possedere tali tratti. In test che coinvolgevano oltre centomila potenziali materiali, il sistema ha identificato con successo noti superconduttori ad alta temperatura e ne ha previsto il comportamento con alta precisione. È andato persino un passo oltre, prevedendo la forma completa dell'interazione elettrone-fonone, una mappa dettagliata di come elettroni e vibrazioni atomiche interagiscono, essenziale per comprendere la superconduttività. Questa capacità consente ai ricercatori di esaminare vasti database di materiali e trovare candidati promettenti per applicazioni nel mondo reale senza doverli prima sintetizzare.

La potenza di questo approccio unificato diventa ancora più chiara osservando come gestisce il movimento fisico degli atomi. I modelli precedenti potevano prevedere l'energia di un cristallo statico, ma spesso fallivano quando venivano chiamati a simulare il movimento del cristallo, perché le loro previsioni saltavano erraticamente quando gli atomi si spostavano leggermente. Il nuovo modello ALIGNN 2.0, invece, produce previsioni fluide e continue che conservano l'energia, permettendogli di guidare simulazioni realistiche di come i materiali si comportano sotto stress o ad alte temperature. I ricercatori hanno testato questo simulando il comportamento del silicio e di altri materiali, scoprendo che il modello rimaneva stabile per lunghi periodi, un requisito critico per qualsiasi strumento utilizzato per progettare dispositivi reali. Questa stabilità significa che lo stesso modello può essere utilizzato per rilassare una struttura verso il suo stato di energia minima, calcolare le sue forze e poi utilizzare immediatamente quelle forze per simulare come vibrerà o condurrà il calore, il tutto all'interno di un unico workflow fluido.

Le implicazioni di questo lavoro si estendono al modo stesso in cui gli scienziati osservano i materiali. I ricercatori hanno dimostrato che lo stesso modello può prevedere non solo la struttura e l'energia, ma anche le immagini dettagliate che apparirebbero in un microscopio elettronico. Calcolando come gli atomi vibrano a temperatura ambiente, il sistema poteva simulare le macchie luminose e sfocate viste nelle immagini ad alta risoluzione di atomi pesanti, corrispondendo ai risultati di complesse simulazioni fisiche. Ciò crea un ciclo chiuso in cui un modello può prevedere una struttura, simulare come apparirebbe sotto un microscopio e poi utilizzare quell'immagine simulata per verificare le proprietà della struttura. Il team ha applicato questo anche alla progettazione di dispositivi complessi, come le giunzioni a tunnel magnetico utilizzate nella memoria dei computer, dove il modello ha previsto con successo il comportamento magnetico ed elettrico di molteplici strati di diversi materiali impilati insieme.

Uno dei risultati più significativi dello studio è la scoperta che il modo migliore per connettere gli atomi nel modello dipende dal compito da svolgere. Per prevedere proprietà statiche come l'energia o i band gap, un metodo che connette ogni atomo ai suoi otto vicini più prossimi ha funzionato meglio, fornendo una visione più ampia della struttura circostante. Tuttavia, per simulare il movimento e le forze, questo metodo causava problemi perché l'elenco dei vicini cambierebbe improvvisamente man mano che gli atomi si muovono, creando salti energetici irrealistici. I ricercatori hanno scoperto che l'uso di un metodo basato su una distanza fissa, dove gli atomi sono connessi se si trovano entro un certo intervallo, forniva le transizioni fluide necessarie per simulazioni di movimento accurate. Questo metodo basato sulla distanza era leggermente meno accurato per le previsioni statiche, ma era l'unico in grado di gestire entrambi i compiti simultaneamente senza rompersi. Questo compromesso evidenzia un'intuizione chiave: la scelta di come rappresentare la geometria del materiale è importante quanto l'algoritmo di apprendimento stesso.

I ricercatori hanno anche esplorato se l'aggiunta di uno strato extra di informazioni sugli angoli di legame, separato dalla struttura principale, migliorasse la capacità del modello di generare nuovi cristalli. Hanno scoperto che, sebbene questa informazione extra aiutasse il modello a imparare la geometria degli angoli, non migliorava costantemente il risultato finale quando combinata con la mappa strutturale principale. In alcuni casi, le due fonti di informazione entravano persino in conflitto, suggerendo che la mappa principale conteneva già dettagli sufficienti sugli angoli. Questo test attento di diversi componenti assicura che il modello finale non sia solo una collezione di caratteristiche, ma un sistema snello dove ogni parte serve a uno scopo chiaro. Il risultato è uno strumento che è non solo più accurato, ma anche più efficiente, capace di girare su hardware standard e scalare su sistemi con centinaia di migliaia di atomi.

In definitiva, questo lavoro rappresenta un passaggio da strumenti specializzati e a scopo singolo alla creazione di un framework versatile e tutto in uno. Unificando la previsione di proprietà, forze e spettri, e abilitando la generazione di nuove strutture, i ricercatori hanno fornito un nuovo modo potente per esplorare il vasto panorama dei possibili materiali. Il sistema è già utilizzato per esaminare enormi database di materiali noti e ipotetici, identificando candidati per superconduttori, batterie e altre tecnologie. Poiché il modello è costruito su software standard e può girare sugli ultimi chip per computer, è accessibile a una vasta gamma di scienziati, potendo accelerare la scoperta di nuovi materiali che potrebbero risolvere alcune delle più pressanti sfide energetiche e tecnologiche del mondo. La capacità di prevedere come un materiale si comporterà, come vibrerà e persino come apparirà sotto un microscopio, tutto da un unico modello unificato, segna un passo avanti significativo nel campo della scoperta computazionale dei materiali.