Learning Between the Lines: Interaction Interpolation in a Multi Element Machine Learning Interatomic Potential

Nel mondo della scienza dei materiali, i ricercatori cercano costantemente di prevedere come gli atomi si comporteranno quando si uniscono per formare solidi. Per farlo, spesso si affidano a uno strumento digitale chiamato potenziale interatomico. Pensate a questo strumento come a un insieme di regole che dice al computer quanta energia è immagazzinata in una specifica disposizione di atomi e quanto fortemente si spingono o si attraggono tra loro. Per decenni, il modo più accurato per generare queste regole è stato quello di risolvere complesse equazioni di meccanica quantistica per ogni singolo scenario. Sebbene questo metodo sia preciso, è così lento che può richiedere settimane per simulare una minuscola goccia di metallo liquido. Per velocizzare le cose, gli scienziati si sono rivolti all'apprendimento automatico (machine learning). Questi programmi informatici imparano da una libreria di esempi pre-calcolati per prevedere il comportamento di nuove disposizioni quasi istantaneamente. Tuttavia, un ostacolo importante rimane: di solito, un nuovo modello di machine learning deve essere costruito da zero per ogni specifica lega o miscela chimica che uno scienziato vuole studiare. Questo crea un collo di bottiglia, poiché la costruzione di questi modelli personalizzati è costosa e richiede tempo. La grande domanda è stata se un singolo modello leggero potesse apprendere le regole fondamentali dell'interazione abbastanza bene da gestire intere combinazioni di elementi nuovi senza dover essere riaddestrato da capo.

Un team di ricercatori del Los Alamos National Laboratory ha compiuto un passo significativo verso la risposta a quella domanda, sviluppando un modello compatto e generalizzato per le leghe metalliche. Invece di cercare di memorizzare ogni possibile combinazione di atomi, hanno insegnato al loro modello a comprendere le interazioni di base tra singoli atomi e coppie di atomi, per poi testare se fosse in grado di intuire gruppi più complessi da solo. Si sono concentrati su dodici diversi elementi metallici, tra cui alluminio, titanio, rame e tungsteno. Utilizzando un processo di apprendimento intelligente e a tappe, hanno fornito al modello dati su metalli singoli e semplici miscele di due metalli. Successivamente, hanno chiesto al modello di prevedere il comportamento di miscele di tre e persino quattro metalli che non aveva mai visto prima. I risultati sono stati sorprendenti: il modello, addestrato solo su dati semplici, ha previsto con successo l'energia e la stabilità di questi sistemi complessi e multi-metallici con un'elevata precisione. Ciò suggerisce che il modello abbia imparato a "leggere tra le righe", inferendo come tre o quattro atomi interagiscano attraverso la comprensione delle regole più semplici di come un atomo o una coppia di atomi interagiscono.

I ricercatori ci sono riusciti utilizzando un metodo chiamato apprendimento attivo (active learning), che è come uno studente che chiede aiuto solo quando è veramente bloccato. Invece di alimentare il computer con milioni di esempi casuali, il sistema ha eseguito simulazioni, ha identificato i momenti in cui era più incerto sulla risposta e ha poi chiesto a un potente computer quantistico di risolvere quei casi difficili specifici. Queste nuove risposte di alta qualità sono state aggiunte al set di addestramento e il processo è stato ripetuto. Hanno organizzato questo apprendimento in fasi, partendo dai metalli singoli, passando alle coppie e infine introducendo i triplette. In un set di esperimenti, hanno confrontato un modello addestrato su dati di metalli singoli e doppi contro un altro modello che aveva anche visto dati di metalli tripli. Sorprendentemente, il modello che non aveva mai visto i dati dei metalli tripli si è comportato altrettanto bene quando testato su quelle miscele complesse. Gli errori nella previsione dell'energia di questi sistemi a tre metalli non visti erano quasi identici a quelli del modello che era stato esplicitamente addestrato su di essi. Ciò indica che il modello non ha semplicemente memorizzato un elenco di regole; ha appreso la fisica sottostante abbastanza bene da interpolare, ovvero colmare le lacune, per le interazioni che non aveva mai incontrato.

Il successo di questo approccio si estende ancora oltre. Il team ha testato se il loro modello potesse gestire un elemento completamente nuovo, l'oro, che non faceva parte dei dodici metalli originali. Hanno fornito al modello dati relativi esclusivamente agli atomi di oro puro, senza alcuna informazione su come l'oro si mescoli con gli altri metalli. Quando hanno testato il modello sull'oro mescolato con gli altri dodici metalli, esso ha previsto con successo il comportamento di queste nuove leghe. Sebbene le previsioni non fossero perfette, il modello ha classificato correttamente la stabilità delle diverse miscele d'oro e ha catturato le tendenze generali nell'energia. Ciò dimostra che il modello aveva appreso un linguaggio universale dell'interazione atomica, permettendogli di trasferire la sua conoscenza a un nuovo elemento chimico con una quantità minima di dati aggiuntivi. I ricercatori hanno scoperto che la capacità di generalizzazione del modello era così forte da poter prevedere il comportamento di leghe a quattro metalli, note come sistemi quaternari, utilizzando solo i dati dei metalli singoli e doppi.

Le implicazioni di questo lavoro sono sostanziali per il futuro della progettazione dei materiali. Attualmente, creare un modello affidabile per una nuova lega richiede spesso la generazione di enormi quantità di dati costosi, il che limita la velocità con cui gli scienziati possono scoprire nuovi materiali. Questo studio suggerisce che un dataset molto più piccolo e scelto con cura potrebbe essere sufficiente. Focalizzandosi sulla diversità dei dati piuttosto che sul loro volume, e assicurandosi che il modello apprenda le interazioni fondamentali tra singoli atomi e coppie, gli scienziati possono costruire modelli leggeri che siano sia veloci che ampiamente applicabili. I ricercatori hanno notato che, sebbene il loro modello fosse altamente accurato in molti scenari, ha incontrato alcune difficoltà con specifiche combinazioni che coinvolgono il vanadio, evidenziando come, pur essendo l'approccio potente, non sia ancora una soluzione perfetta per ogni possibile miscela chimica. Tuttavia, le scoperte offrono una via pratica da seguire. Suggeriscono che non abbiamo bisogno di database massicci e ingombranti per comprendere materiali complessi. Al contrario, insegnando alle macchine la grammatica di base delle interazioni atomiche, possiamo consentire loro di scrivere da sole le storie delle leghe complesse, accelerando la scoperta di nuovi metalli e leghe per settori che vanno dall'ingegneria aerospaziale all'accumulo di energia.