Enabling large language model agents for high-fidelity many-body perturbation theory calculations

Per comprendere il mondo materiale, gli scienziati osservano spesso come si comportano gli atomi quando vengono eccitati, ad esempio quando la luce colpisce una cella solare o quando una corrente elettrica scorre attraverso un chip. Mentre i modelli informatici standard possono descrivere come gli atomi rimangano fermi, essi faticano a prevedere cosa accada quando gli elettroni saltano a livelli energetici più elevati o interagiscono con le vibrazioni nel reticolo cristallino. Per ottenere risposte corrette, i ricercatori utilizzano un insieme di tecniche matematiche avanzate note come teoria delle perturbazioni a molti corpi. Questi metodi sono incredibilmente potenti e accurati, ma sono anche notoriamente difficili da utilizzare. Richiedono che il ricercatore agisca come un maestro direttore d'orchestra, collegando manualmente diversi programmi software, ciascuno con il proprio linguaggio e le proprie regole. Se le impostazioni di un programma non corrispondono perfettamente a quelle del successivo, l'intero calcolo fallisce, spesso in modi difficili da individuare finché non sono state sprecate ore di tempo di calcolo. Questa complessità ha mantenuto questi strumenti potenti fuori dalla portata di tutti, tranne che dei più specializzati esperti.

Un team di ricercatori ha sviluppato un nuovo sistema progettato per colmare questo divario, permettendo all'intelligenza artificiale di gestire il lavoro pesante di questi complessi calcoli. Gli scienziati hanno testato se i moderni modelli linguistici di grandi dimensioni — sistemi di IA avanzati capaci di ragionare e seguire istruzioni — potessero configurare automaticamente questi difficili flussi di lavoro autonomamente. Hanno scoperto che, senza aiuto, anche i più sofisticati modelli di IA fallivano nel costruire un calcolo funzionante più spesso di quanto ci riuscissero. I modelli commettevano frequentemente errori sottili, come il disallineamento della griglia di punti utilizzata per mappare le proprietà del materiale, il che causava il collasso dell'intero processo in una fase successiva. Tuttavia, quando i ricercatori hanno introdotto un nuovo framework chiamato AI-Donkey, i risultati sono cambiati drasticamente. Questo sistema agisce come una guida esperta, fornendo all'IA istruzioni curate da esperti e un set di strumenti rigidi che garantiscono che ogni passaggio si colleghi correttamente al successivo. Con questo assistere, gli agenti di IA, che spaziano da potenti modelli commerciali a versioni open-source, sono stati in grado di eseguire con successo calcoli completi e privi di errori per una varietà di materiali, inclusi tubi monodimensionali, fogli bidimensionali e blocchi solidi.

Il cuore del problema affrontato dai ricercatori risiede nella natura di questi calcoli. A differenza delle simulazioni informatiche più semplici che rimangono all'interno di un singolo programma, la teoria delle perturbazioni a molti corpi richiede una catena di eventi in cui l'output di un pacchetto software diventa l'input per un altro. Ogni passaggio dipende da dettagli fisici precisi, come la simmetria del materiale e la specifica disposizione degli atomi. Se un ricercatore commette un piccolo errore nel primo passaggio, quell'errore si propaga lungo la linea, corrompendo il risultato finale. Il team ha scoperto che gli attuali modelli di IA, nonostante la loro capacità di scrivere codice e rispondere a domande, mancano della conoscenza specifica e profonda del dominio necessaria per gestire queste catene in modo affidabile. Chiesti di configurare un calcolo per un materiale come il silicio, l'IA spesso ipotizzava le impostazioni necessarie. In un test, l'IA ha configurato con successo un calcolo di base circa la metà delle volte, ma per compiti più complessi che coinvolgevano proprietà ottiche o vibrazioni elettroniche, il tasso di successo è sceso fino al 19 percento. I modelli spesso inventavano impostazioni che suonavano plausibili ma erano fisicamente errate, portando a calcoli che non potevano essere eseguiti o che producevano dati inutili.

Per risolvere questo problema, i ricercatori hanno costruito AI-Donkey, un framework che non si affida all'IA per indovinare le regole. Invece, il sistema fornisce all'IA una libreria strutturata di conoscenze esperte e un set di strumenti automatizzati che ne impongono la coerenza. Pensate all'IA come a un architetto esperto che può progettare un edificio ma ha bisogno di un capomastro per garantire che i mattoni siano posati secondo il progetto; AI-Donkey agisce come quel capomastro. Il sistema suddivide il complesso calcolo in passaggi gestibili, ciascuno guidato da un documento di "abilità" specifico scritto da esperti umani. Questi documenti spiegano esattamente quali informazioni sono necessarie, cosa dovrebbe fare il computer e quali errori comuni evitare. L'IA utilizza poi questi documenti per dirigere un set di programmi informatici che generano i file necessari e li collegano tra loro. Poiché gli strumenti informatici gestiscono i dettagli tecnici e controllano automaticamente gli errori, l'IA non ha più bisogno di memorizzare ogni regola o di preoccuparsi di fare un errore di battitura che interrompa la catena.

I risultati di questo approccio sono stati sorprendenti. Quando i ricercatori hanno testato gli stessi modelli di IA con il framework AI-Donkey, il tasso di successo è balzato a quasi il 100 percento. Ogni singolo tentativo, sia utilizzando un modello commerciale di alto livello che una versione open-source più piccola, ha prodotto un workflow completo ed eseguibile che superava tutti i controlli. Il sistema ha funzionato in modo coerente attraverso prove ripetute, eliminando i fallimenti casuali che affliggevano i modelli non assistiti. I ricercatori hanno dimostrato questa capacità facendo sì che l'IA calcolasse autonomamente le proprietà di diversi materiali, tra cui un singolo strato di un composto fatto di molibdeno e selenio, un foglio di atomi di carbonio noto come grafene e un tubo di atomi di carbonio. In ogni caso, l'IA ha identificato correttamente le impostazioni specifiche necessarie per la struttura unica di quel materiale, ha eseguito i calcoli su potenti supercomputer e ha persino analizzato i risultati per produrre visualizzazioni di come si comportano gli elettroni.

Lo studio ha anche spinto i confini di ciò che l'IA può fare in questo campo affrontando un calcolo particolarmente difficile noto come teoria delle perturbazioni GW, utilizzata per studiare come gli elettroni interagiscono con le vibrazioni nel materiale. Questo compito specifico non era mai stato automatizzato prima e comporta il coordinamento di quattro diversi pacchetti software. Senza il framework AI-Donkey, i modelli di IA fallivano completamente, incapaci di comprendere i rigorosi requisiti per collegare i programmi. Con il framework, tuttavia, l'IA ha completato con successo l'intero processo, gestendo correttamente le complesse dipendenze tra i diversi stadi. Ciò ha incluso il calcolo di come un semiconduttore polare come il carburo di silicio risponde ai campi elettrici, un compito che richiede la gestione precisa delle forze a lungo raggio che sono difficili da modellare. I ricercatori hanno scoperto che l'IA poteva persino eseguire compiti avanzati, come testare diverse impostazioni per garantire l'accuratezza dei risultati, un processo noto come test di convergenza, che è solitamente un lavoro tedioso e dispendioso in termini di tempo per gli scienziati umani.

Le implicazioni di questo lavoro vanno oltre il semplice rendere i calcoli più veloci. Creando un sistema in grado di guidare in modo affidabile l'IA attraverso complessi flussi di lavoro scientifici, i ricercatori hanno aperto la porta a una gamma più ampia di scienziati per l'utilizzo di questi potenti strumenti. Il framework è progettato per essere flessibile, il che significa che può essere aggiornato per includere nuovi metodi e software man mano che vengono sviluppati. Il team ha dimostrato che il sistema può integrare funzionalità avanzate, come tecniche per velocizzare i calcoli per sistemi grandi, senza dover essere completamente riscritto. Ciò suggerisce che in futuro gli scienziati potrebbero essere in grado di chiedere a un'IA di esplorare nuovi materiali o testare nuove teorie senza dover essere esperti nei codici informatici sottostanti. La scoperta chiave è che, sebbene l'IA stia diventando più bra a ragionare, ha ancora bisogno di un ambiente strutturato e guidato da esperti per gestire i processi rigidi e multi-step richiesti dalla scienza di alto livello. Combinando il potere di ragionamento dell'IA con l'affidabilità della conoscenza curata dagli esperti, i ricercatori hanno creato una strada verso la scoperta scientifica completamente autonoma nel campo della scienza dei materiali.