Can end-to-end learning from raw electronic structure explain magnetic anisotropy?

Immagina di cercare di costruire un magnete minuscolo e ultra-potente usando solo pochi atomi. Per rendere tale dispositivo utile per la memorizzazione di dati o per calcoli quantistici, il magnete deve essere testardo; deve mantenere la propria orientazione saldamente contro qualsiasi spinta esterna. Questa testardaggine è chiamata anisotropia magnetica. È il motivo per cui l'ago di una bussola punta a nord invece di ruotare liberamente. Nel mondo microscopico dei singoli atomi, questa proprietà dipende da una danza delicata e invisibile di elettroni. Questi elettroni hanno un'energia e uno spin specifici, e interagiscono con il nucleo dell'atomo in un modo che blocca la direzione del magnete. Predire esattamente quanto sarà forte questo blocco per un nuovo magnete atomico su misura è incredibilmente difficile. Di solito richiede supercomputer massicci per risolvere equazioni complesse per ogni singolo atomo, un processo che è lento e costoso.

Recentemente, gli scienziati hanno cercato di insegnare ai computer a predire questi blocchi magnetici utilizzando un approccio diverso: l'apprendimento automatico (machine learning). Invece di dare al computer un insieme di regole pre-scritte su come si comportano gli atomi, gli forniscono dati grezzi sui livelli energetici degli elettroni e lasciano che il computer individui i modelli da solo. Questo metodo è flessibile e veloce, ma comporta una trappola nascosta. Poiché il computer impara autonomamente, potrebbe trovare una scorciatoia che funziona per i dati di test ma che non riflette realmente le vere leggi della fisica. Due diversi modelli informatici potrebbero entrambi predire la forza magnetica perfettamente, eppure uno potrebbe osservare gli indizi fisici corretti mentre l'altro sta solo memorizzando un trucco. La grande domanda è: quando un modello di apprendimento automatico ottiene la risposta giusta, comprende davvero la fisica sottostante o sta solo indovinando correttamente?

Un team di ricercatori si è proposto di risolvere questo mistero testando due diversi tipi di modelli di intelligenza artificiale sullo stesso problema. Volevano vedere se questi modelli potevano apprendere la vera relazione tra i livelli di energia degli elettroni e l'anisotropia magnetica di minuscoli magneti composti da coppie di atomi di metallo pesante situati su un foglio di carbonio. I ricercatori non si sono limitati a chiedere ai modelli di fare una previsione; hanno costruito un test rigoroso per vedere cosa i modelli stiano effettivamente "osservando" all'interno dei dati. Hanno confrontato un modello che elabora le informazioni come una sequenza di parole con un altro che scansiona i dati come una telecamera che scansiona un paesaggio. Entrambi i modelli sono stati addestrati sugli stessi dati elettronici grezzi, che descrivono quanti elettroni esistono a ogni livello di energia.

I risultati hanno mostrato che entrambi i modelli erano effettivamente molto bravi a predire la forza magnetica, raggiungendo un'accuratezza simile sui dati su cui erano stati addestrati; tuttavia, quando i ricercatori hanno guardato dentro i modelli per vedere quali parti dei dati elettronici fossero più importanti, hanno scoperto qualcosa di sorprendente. I due modelli non stavano osservando le stesse esatte caratteristiche. Sebbene concordassero su alcune aree chiave, in particolare i livelli energetici vicino al confine tra stati elettronici occupati e vuoti, facevano affidamento su dettagli diversi per raggiungere le loro conclusioni. Un modello poteva concentrarsi su un picco specifico nei dati, mentre l'altro si concentrava sulla forma della valle accanto ad esso. Ciò ha dimostrato che anche quando due modelli sono ugualmente accurati, possono fare affidamento su una logica interna diversa e talvolta contrastante.

Per capire quale modello stesse dicendo la verità, i ricercatori hanno eseguito una serie di esperimenti controllati. Hanno preso i dati elettronici grezzi e li hanno modificati artificialmente, aggiungendo o rimuovendo piccole quantità di energia in punti specifici, e poi hanno osservato come i modelli reagivano. Hanno scoperto che i modelli non sempre concordavano su come tali cambiamenti dovessero influenzare la forza magnetica. A volte, cambiare una specifica caratteristica elettronica faceva predire a un modello un magnete più forte, mentre l'altro modello ne prediceva uno più debole. Ciò ha rivelato che i modelli non stavano solo leggendo la stessa realtà fisica; avevano appreso diverse relazioni funzionali. Lo studio ha dimostrato che avere semplicemente un modello che predice bene non è sufficiente per fidarsi della sua spiegazione. I ricercatori hanno concluso che, per comprendere veramente ciò che un modello di apprendimento automatico ha appreso riguardo al mondo fisico, non ci si può affidare a una singola spiegazione. Al contrario, è necessario confrontare modelli diversi, verificare le previsioni rispetto alle teorie fisiche stabilite e testare come reagiscono quando si modificano deliberatamente i dati. Solo quando tutte queste diverse linee di evidenza puntano nella stessa direzione possiamo essere certi che il modello abbia scoperto una genuina firma fisica piuttosto che una semplice coincidenza statistica.

Il team ha anche testato se fornire ai modelli un piccolo suggerimento dalla fisica nota potesse aiutarli a generalizzare in nuove situazioni. Hanno aggiunto un contributo calcolato basato sulla teoria delle perturbazioni standard — un metodo ben noto per stimare gli effetti magnetici — ai dati di input. Sebbene ciò non abbia cambiato drasticamente le prestazioni dei modelli sui dati che avevano già visto, ha aiutato a migliorare le loro prestazioni quando si trovavano di fronte a tipi completamente nuovi di magneti atomici, diversi dal set di addestramento. Tuttavia, questo miglioramento non era universale; dipendeva fortemente dal tipo di modello utilizzato e dal compito specifico che si stava cercando di svolgere. Questa scoperta suggerisce che, sebbene l'iniezione di fisica nota possa aiutare, non risolve automaticamente il problema dei modelli che apprendono le cose sbagliate.

In definitiva, questo lavoro mostra che l'apprendimento end-to-end dai dati elettronici grezzi può effettivamente identificare firme candidate dell'anisotropia magnetica senza la necessità di scorciatoie progettate dall'uomo. Ma il percorso verso una comprensione microscopica credibile di queste firme non è una linea retta. Richiede una convergenza di prove: verificare che diverse architetture di modelli concordino, confermare che i modelli identificati corrispondano alla teoria fisica e accertare che i modelli rispondano logicamente ai cambiamenti controllati dei dati. I ricercatori hanno scoperto che, sebbene questi modelli possano agire come potenti strumenti di scoperta, il loro ragionamento interno deve essere esaminato attentamente. Senza questa verifica multistrato, rischiamo di accettare la previsione di un modello come una verità fisica quando potrebbe trattarsi solo di un riconoscimento di pattern intelligente, ma in ultima analisi fuorviante.