Nel mondo della scienza dei materiali, progettare la prossima generazione di display elettronici sembra spesso come cercare un ago in un pagliaio, ma il pagliaio è fatto di atomi invisibili e l'ago è una specifica disposizione di energia. Gli scienziati cercano costantemente nuove molecole organiche che possano emettere luce in modo efficiente, in particolare per l'uso nei diodi organici a emissione di luce, o OLED. Per trovare queste molecole, i ricercatori si affidano tradizionalmente a due metodi: eseguire complesse simulazioni informatiche che richiedono giorni per terminare, o eseguire esperimenti fisici che sono costosi e lenti. Entrambi gli approcci faticano quando non ci sono abbastanza dati per addestrare un computer a riconoscere i modelli, una situazione comune nella ricerca all'avanguardia dove i nuovi materiali sono rari. Per decenni, la speranza è stata che l'intelligenza artificiale potesse imparare a prevedere come una molecola si comporterà semplicemente guardando la sua forma, ma questi modelli informatici spesso falliscono quando mancano vaste librerie di esempi da studiare. Tendono a indovinare casualmente piuttosto che comprendere le regole sottostanti, proprio come uno studente che memorizza le risposte senza comprendere la lezione.

Un team di ricercatori ha trovato un modo per insegnare ai computer a pensare più come gli esperti umani osservando come questi ultimi guardano effettivamente le molecole. Invece di costringere il computer a imparare da milioni di punti dati di cui non dispone, gli scienziati hanno registrato i movimenti oculari di chimici esperti mentre studiavano la struttura di molecole organiche su uno schermo. Hanno scoperto che questi esperti non fissano semplicemente il vuoto; seguono un modello di attenzione specifico e ripetibile. Per prima cosa, scansionano la molecola rapidamente, rallentando solo quando raggiungono le connessioni critiche tra le diverse parti della struttura. Poi, si concentrano intensamente su aree specifiche per capire come tali parti interagiscono. Traducendo queste abitudini visive nel linguaggio del codice informatico, i ricercatori hanno costruito un nuovo tipo di intelligenza artificiale che imita questo modo umano di vedere. Questo modello, addestrato su un insieme relativamente piccolo di molecole, ha imparato a prevedere la distribuzione degli elettroni all'interno di una molecola con un'accuratezza che rivaleggia con le più potenti e dispendiose simulazioni informatiche, offrendo al contempo una finestra chiara sul perché abbia fatto quelle previsioni.

Il nucleo di questa scoperta risiede nel comprendere come gli esperti umani elaborino le informazioni visive. Quando un chimico guarda una molecola complessa, i suoi occhi non si muovono in una linea fluida e continua. Invece, saltano rapidamente da un punto all'altro, un movimento noto come saccade, e poi si fermano per raccogliere informazioni, una pausa chiamata fissazione. I ricercatori hanno scoperto che, quando questi esperti analizzavano le proprietà elettroniche di una molecola, i loro occhi si comportavano in un modo molto specifico. Durante i primi secondi di osservazione di una nuova struttura, i loro occhi si muovevano rapidamente ma rallentavano significativamente ogni volta che passavano sopra i "ponti" che collegano le parti donatrici e accettatrici di elettroni della molecola. Queste zone di rallentamento, che i ricercatori hanno chiamato Zone di Saccade Decelerata, rivelavano che gli esperti stavano attivamente elaborando le connessioni più importanti. Con il passare del tempo, gli esperti smettevano di scansionare e iniziavano a mantenere lo sguardo su specifici gruppi di atomi per periodi più lunghi, integrando le informazioni raccolte. Questo processo a due fasi — prima una scansione ampia con un rallentamento focalizzato, seguita da un'attenzione profonda e sostenuta — era il modello chiave che il team voleva catturare.

Per trasformare questa osservazione in uno strumento funzionante, i ricercatori hanno costruito un modello informatico che replica queste due fasi dell'attenzione umana. La prima parte del modello agisce come la scansione iniziale, utilizzando una rete progettata per guardare piccole parti locali della molecola e poi collegarle rapidamente per comprenderne la forma complessiva. Questo imita i rapidi movimenti oculari e il rallentamento sui ponti critici. La seconda parte del modello agisce come la focalizzazione profonda, utilizzando un meccanismo che permette al computer di trattenere le informazioni più importanti scartando i dettagli meno rilevanti, similmente a come una mente umana filtra le distrazioni per concentrarsi sul problema centrale. Addestrando questo sistema su un dataset di 733 molecole organiche note per la loro capacità di emettere luce in modo efficiente, il modello ha imparato a prevedere dove si troverebbero gli elettroni all'interno della molecola. I risultati sono stati sorprendenti: il modello ha previsto la distribuzione elettronica con un tasso di errore inferiore all'uno percento rispetto alle simulazioni informatiche ad alta potenza, che sono lo standard di riferimento e che solitamente richiedono giorni per essere eseguite.

Ciò che rende questo traguardo particolarmente significativo non è solo l'accuratezza, ma il fatto che il modello evita gli errori comuni commessi da altri sistemi di intelligenza artificiale. I modelli informatici standard spesso faticano quando una molecola ha più parti simili, confondendosi frequentemente su quale parte stia facendo cosa, oppure potrebbero assegnare erroneamente proprietà elettriche agli atomi sbagliati. Il nuovo modello, invece, identifica costantemente le regioni corrette, mostrando un'intuizione chimica che i modelli basati puramente sui dati non possiedono. Questo perché il modello è stato costruito per dare priorità alle stesse interazioni strutturali che gli esperti umani considerano importanti. Quando i ricercatori hanno guardato all'interno del modello per vedere a cosa stava "prestando attenzione", hanno scoperto che esso evidenziava esattamente le stesse connessioni e i gruppi funzionali che gli esperti umani avevano esaminato rallentando lo sguardo. Il computer aveva effettivamente imparato a vedere la molecola come farebbe un chimico, concentrandosi sui ponti e sulle giunzioni critiche che determinano come il materiale si comporterà.

Le implicazioni di questo lavoro vanno oltre il semplice ottenere la risposta corretta più velocemente. In passato, l'intelligenza artificiale nella scienza è stata spesso una "scatola nera", in cui un computer fornisce una previsione senza spiegare come sia giunto a tale conclusione. Questo nuovo approccio offre una visione chiara del processo di ragionamento. Poiché i meccanismi di attenzione del modello sono allineati con il comportamento visivo umano, gli scienziati possono guardare l'output del modello e vedere esattamente quali parti della molecola esso considera importanti. Ciò fornisce una mappa quantitativa di come diverse parti di una molecola influenzino l'una l'altra, offrendo un nuovo strumento per progettare materiali migliori. I ricercatori hanno dimostrato che il modello può identificare coppie strutturali specifiche che hanno una forte influenza sulle proprietà elettroniche della molecola, fornendo una guida ai chimici su dove apportare modifiche per migliorare le prestazioni. Incorporando i modelli cognitivi umani direttamente nell'architettura della macchina, il team ha creato un sistema che non si limita a calcolare, ma comprende, colmando il divario tra l'intuizione umana e la potenza computazionale in un campo dove i dati sono scarsi e la precisione è tutto.