Truncated automatic sparse differentiation for machine learning interatomic potentials

Gli atomi sono i mattoni fondamentali della materia, ma raramente sono fermi. In un pezzo di metallo solido o in un cristallo poroso, questi atomi vibrano costantemente, oscillando l'uno contro l'altro in un ritmo complesso e collettivo. Per capire come si comporta un materiale — come conduce il calore, come vibra o come potrebbe reagire allo stress — gli scienziati devono mappare le forze invisibili che legano insieme questi atomi. Questa mappa è nota come superficie dell'energia potenziale. Per decenni, il modo più accurato per disegnare questa mappa è stato attraverso la meccanica quantistica, un insieme di regole che descrivono il comportamento di elettroni e nuclei con estrema precisione. Tuttavia, questi calcoli sono così pesanti dal punto di vista computazionale che diventano impossibili per sistemi di grandi dimensioni, come i giganti cristalli simili a spugne utilizzati per immagazzinare gas o purificare l'acqua.

Per superare questa barriera, i ricercatori si sono rivolti all'apprendimento automatico (machine learning). Questi modelli di intelligenza artificiale vengono addestrati sui risultati di quei costosi calcoli quantistici, imparando a prevedere l'energia di un sistema in base alle posizioni dei suoi atomi. Una volta addestrati, questi modelli possono prevedere le energie e le forze che premono sugli atomi quasi istantaneamente, permettendo agli scienziati di simulare il movimento di milioni di atomi nel tempo. Ma c'è un problema. Sebbene questi modelli possano facilmente prevedere come si muovono gli atomi, faticano a prevedere i dettagli di ordine superiore delle loro vibrazioni. Nello specifico, calcolare la "curvatura" del paesaggio energetico — la descrizione matematica di come cambiano le forze al variare del movimento degli atomi — è stato considerato troppo lento per qualsiasi cosa non siano i sistemi più piccoli. Senza questa informazione, gli scienziati non possono prevedere accuratamente le proprietà sperimentali come la capacità termica o le frequenze specifiche a cui un materiale vibra.

Un team di ricercatori ha ora trovato un modo per aggirare questo collo di bottiglia, permettendo di calcolare queste complesse proprietà vibrazionali per materiali massicci che prima erano fuori portata. Il loro lavoro si concentra su un tipo specifico di modello di apprendimento automatico che imita il modo in cui gli atomi comunicano con i propri vicini. In questi modelli, l'informazione viaggia da un atomo all'altro in passaggi, proprio come un pettegolezzo che passa attraverso una folla. I ricercatori hanno capito che, poiché le forze fisiche si indeboliscono rapidamente con la distanza, la descrizione matematica di queste vibrazioni non è un blocco solido di numeri, ma uno sparso, riempito per lo più di zeri. Riconoscendo questa struttura nascosta, hanno sviluppato un metodo per calcolare l'immagine completa delle vibrazioni atomiche ignorando gli zeri e concentrandosi solo sulle connessioni significative.

I ricercatori hanno testato questo approccio su una varietà di materiali grandi e porosi, inclusi i framework metallo-organici e le zeoliti, che vengono utilizzati nelle applicazioni industriali per la loro capacità di intrappolare molecole. Hanno applicato il loro metodo a diversi modelli di apprendimento automatico all'avanguardia, inclusi quelli progettati per lavorare attraverso l'intero tavolo periodico. I risultati hanno mostrato che, sebbene il metodo potesse calcolare le esatte proprietà vibrazionali di questi sistemi giganti, il miglioramento della velocità rispetto ai metodi tradizionali è stato modesto. Ciò è dovuto al fatto che i modelli utilizzati erano stati progettati per guardare un intervallo molto ampio di vicini, il che significa che gli "zeri" nella descrizione matematica non erano così numerosi come sperato. L'intervallo di interazione di questi modelli era semplicemente troppo ampio perché il trucco della scarsità producesse guadagni massicci da solo.

Tuttavia, il team ha scoperto un raffinamento potente. Si sono resi conto che potevano ignorare intenzionalmente le connessioni molto deboli tra atomi lontani, un processo che chiamano troncamento. Scartando queste minuscole interazioni distanti, potevano ridurre drasticamente il costo computazionale. In molti casi, questo approccio ha reso i calcoli da dieci a venti volte più veloci. Fondamentalmente, questa velocità è arrivata con quasi nessuna perdita di accuratezza. Le capacità termiche e le frequenze vibrazionali previste rimanevano quasi identiche ai risultati esatti, anche se il calcolo aveva saltato una parte significativa dei dati. Gli errori introdotti dall'ignorare queste forze distanti erano così piccoli da cadere ben al di sotto della soglia di ciò che conta per prevedere i risultati sperimentali del mondo reale.

Questa scoperta suggerisce che, per molte applicazioni pratiche, gli scienziati non hanno bisogno di calcolare ogni singola interazione in un sistema massiccio. Devono solo tenere conto delle connessioni forti e locali che dominano la fisica. I ricercatori hanno dimostrato che, utilizzando questo approccio troncato, potevano calcolare le proprietà vibrazionali di un materiale contenente oltre seimila atomi in pochi minuti su una singola scheda grafica. Precedentemente, un tale calcolo sarebbe stato proibitivamente lento o impossibile. Ciò apre la porta a testare sistematicamente i modelli di apprendimento automatico contro i dati sperimentali reali, invece di fare affidamento solo sulle simulazioni. Permette ai ricercatori di perfezionare questi modelli utilizzando misurazioni reali dal laboratorio, portando potenzialmente a previsioni più accurate per nuovi materiali.

Il lavoro evidenzia anche un nuovo principio di progettazione per i futuri modelli di apprendimento automatico. I ricercatori hanno scoperto che la profondità del modello — ovvero quanti passaggi di comunicazione da vicino a vicino esegue — controlla direttamente quanto si estendono le forze. I modelli che guardano troppo avanti creano calcoli densi e complessi che sono difficili da velocizzare. Mantenendo il campo ricettivo di questi modelli più compatto, gli scosciati possono garantire che i calcoli risultanti rimangano sparsi e veloci, senza sacrificare l'accuratezza. Questa intuizione colma il divario tra il potere teorico dell'apprendimento automatico e le necessità pratiche della scienza dei materiali, trasformando una possibilità teorica in uno strumento di routine per esplorare il mondo fisico.

In definitiva, questa ricerca trasforma il modo in cui possiamo studiare le vibrazioni della materia. Sposta la capacità di prevedere proprietà termiche e vibrazionali complesse dall'ambito delle piccole e semplici molecole alla scala di giganti cristalli industriali. Sfruttando il decadimento naturale delle forze nel mondo fisico, i ricercatori hanno dimostrato che possiamo calcolare il comportamento di grandi sistemi con alta precisione e basso costo. Questa capacità è essenziale per la prossima generazione di scoperta dei materiali, dove capire come un materiale gestisce il calore e la vibrazione è importante quanto conoscere la sua composizione chimica. La strada da seguire è ora chiara: utilizzare questi metodi efficienti per confrontare le previsioni dell'apprendimento automatico direttamente con i risultati sperimentali, affinando la nostra comprensione della materia un calcolo alla volta.