Beyond Jacob’s Ladder: A Physics-driven AI Approach to Density Functional Theory

Per comprendere il mondo delle molecole, gli scienziati si affidano a un potente quadro matematico chiamato Teoria del Funzionale della Densità. Questo approccio consente ai ricercatori di prevedere come gli atomi si legheranno, quanta energia rilascerà una reazione chimica e quanto sarà stabile una molecola, osservando semplicemente l'invisibile nuvola di elettroni che circonda i nuclei atomici. Per decenni, l'accuratezza di queste previsioni è dipesa da quanto complesse siano le formule matematiche utilizzate per descrivere queste nuvole elettroniche. Gli scienziati hanno tradizionalmente scalato una scala metaforica di crescente complessità, aggiungendo ulteriori strati di dettaglio alle loro formule per ottenere risultati migliori. Tuttavia, questa salita ha un prezzo pesante: man mano che le formule diventano più intricate, i calcoli diventano così lenti e impegnativi che spesso falliscono quando applicati a sistemi grandi e realistici. Il campo ha raggiunto un punto in cui gli strumenti necessari per vedere i dettagli sono troppo pesanti da trasportare, lasciando molte domande chimiche senza risposta.

Un team di ricercatori dell'Università Monash ha proposto una strada diversa, una che evita la necessità di formule sempre più complicate. Invece di cercare di scrivere un'equazione perfetta per descrivere la nuvola elettronica, hanno insegnato a un programma per computer come apprendere la fisica direttamente dalla forma di quella nuvola. Alimentando una rete neurale con i dati grezzi della densità elettronica — la misura semplice di quanti elettroni ci sono in un determinato punto — hanno permesso alla macchina di scoprire da sola le regole che governano il comportamento molecolare. Il risultato è un nuovo metodo che prevede l'energia delle molecole con un livello di precisione che rivaleggia con i migliori strumenti esistenti, ma senza l'oneroso carico computazionale. Questo approccio suggerisce che la nuvola elettronica contenga in sé tutte le informazioni necessarie per comprendere una molecola, a patto che il computer abbia il modo giusto per leggerla.

I ricercatori hanno sviluppato un sistema che chiamano dML-DFT, che sta per teoria del funzionale della densità basata sull'apprendimento automatico della densità. Nei metodi tradizionali, gli scienziati devono costruire manualmente le regole che descrivono come interagiscono gli elettroni, spesso ipotizzando la migliore forma matematica. Questo nuovo sistema salta interamente questo processo di tentativi ed errori. Il team è partito da un calcolo molto basico e semplice della densità elettronica, che è facile da computare. Hanno poi passato questi dati a una rete neurale, un tipo di intelligenza artificiale progettata per trovare schemi nei dati. Fondamentalmente, non hanno detto al computer che tipo di atomi fossero presenti o come fossero connessi. Alla macchina non sono stati forniti i nomi degli elementi o le loro posizioni nello spazio; essa vedeva solo i numeri che rappresentavano la densità elettronica in vari punti.

L'obiettivo era far apprendere al computer la relazione tra la forma della nuvola elettronica e l'energia totale della molecola. Per insegnare questo, i ricercatori hanno utilizzato una specifica strategia di addestramento. Hanno chiesto alla macchina di prevedere due proprietà chiave: l'energia necessaria per scomporre una molecola nei suoi singoli atomi e l'energia coinvolta quando due molecole separate si attaccano tra loro. Il computer effettuava le sue previsioni e i ricercatori le confrontavano con valori di riferimento noti e altamente accurati. Se la previsione era errata, il computer regolava le sue connessioni interne per ridurre l'errore. Questo processo è stato ripetuto migliaia di volte finché la macchina non è stata in grado di prevedere queste energie con una costanza straordinaria.

I risultati di questo addestramento sono stati sorprendenti. Quando testato su una vasta gamma di molecole, il nuovo modello ha raggiunto un'accuratezza inferiore a un kilocaloria per mole per molti sistemi. Nel mondo della chimica, questa è considerata "accuratezza chimica", una soglia in cui le previsioni sono abbastanza affidabili da essere utilizzate per applicazioni del mondo reale. Il modello si è comportato eccezionalmente bene su set standard di molecole utilizzati per testare altri metodi, spesso superando le formule più sofisticate attualmente in uso. Ad esempio, nel prevedere quanto fortemente diverse molecole si attraggono tra loro, il nuovo approccio è stato significativamente più accurato dei migliori metodi tradizionali, che spesso faticano con queste interazioni.

Uno dei risultati più significativi è stato che il modello ha appreso la fisica del sistema senza mai essere stato istruito su cosa fosse un atomo. Non sapeva se stava guardando carbonio, ossigeno o ferro. Ha semplicemente appreso che certi schemi nella densità elettronica corrispondono a specifici valori di energia. Ciò significa che il sistema è universale; finché ha visto abbastanza esempi di diversi elementi durante l'addestramento, può applicare quelle lezioni a nuove molecole mai viste prima. I ricercatori hanno dimostrato questo testando il modello su reazioni chimiche complesse, incluse quelle che coinvolgono molecole instabili chiamate radicali e sistemi in cui gli elettroni si comportano in modi insoliti e correlati. Anche in questi casi difficili, il modello ha mantenuto un'alta accuratezza, specialmente quando un piccolo numero di queste reazioni complesse veniva aggiunto ai dati di addestramento per aiutarlo a perfezionare la sua comprensione.

Lo studio ha anche evidenziato dove il metodo affronta ancora delle sfide. Quando il modello incontrava elementi che apparivano molto raramente nei dati di addestramento, come certi metalli in ambienti specifici, la sua accuratezza diminuiva. Questo non è un difetto del concetto, ma un limite naturale dell'apprendimento dagli esempi: se il computer non ha visto abbastanza esempi di un particolare tipo di situazione, non può prevederla perfettamente. Tuttavia, i ricercatori hanno dimostrato che aggiungere semplicemente più esempi di questi casi rari al set di addestramento migliorava rapidamente i risultati. Ciò suggerisce che il metodo sia robusto e possa essere continuamente migliorato man mano che i dati diventano disponibili.

Questo lavoro rappresenta un cambiamento nel modo in cui gli scienziati approcciano il problema del calcolo dell'energia molecolare. Invece di cercare di forzare la natura in una scatola matematica pre-scritta, i ricercatori hanno lasciato che i dati parlassero da soli. Trattando lo scambio e la correlazione degli elettroni come un unico fenomeno unificato da apprendere, piuttosto che come un insieme di regole separate da derivare, hanno creato uno strumento che è allo stesso tempo altamente accurato ed efficiente dal punto di vista computazionale. Il successo di questo approccio dimostra che la densità elettronica contiene tutte le informazioni necessarie per descrivere il comportamento di una molecola, e che l'intelligenza artificiale può estrarre tali informazioni in modo più efficace rispetto alle formule tradizionali. Ciò apre la porta allo studio di reazioni chimiche complesse e alla scoperta di nuovi materiali con una velocità e una precisione precedentemente fuori portata, permettendo agli scienziati di esplorare il mondo chimico con una lente nuova e potente.