Out-of-Distribution Inverse Design of Elastic Networks with Differentiable Graph Neural Network Molecular Dynamics

Immaginate un mondo in cui i materiali potessero essere progettati non per tentativi ed errori, ma chiedendo a un computer di trovare la struttura perfetta per un compito specifico. Questa è la promessa del design inverso, un cambiamento nel modo in cui gli scienziati approcciano la scoperta. Invece di costruire un materiale e poi testare cosa fa, i ricercatori partono da un comportamento desiderato — come una molla che si allarga quando viene schiacciata — e lavorano a ritroso per trovare la disposizione atomica che lo crea. Per decenni, questo processo è stato lento e costoso, basandosi su simulazioni fisiche complesse che richiedono una potenza di calcolo immensa. Recentemente, gli scienziati si sono rivolti al machine learning per accelerare i tempi, addestrando i computer a prevedere come si comportano i materiali. Tuttavia, questi modelli digitali di solito faticano quando viene chiesto loro di immaginare qualcosa che non hanno ancora visto. Sono eccellenti nel riconoscere schemi all'interno dei loro dati di addestramento, ma spesso falliscono quando vengono spinti in territori nuovi e inesplorati.

Un team di ricercatori del Technion – Israel Institute of Technology ha sviluppato un nuovo modo per superare questo limite. Hanno creato un sistema che combina un simulatore intelligente basato sull'apprendimento con le regole inflessibili della fisica. Questo approccio ibrido permette al computer di progettare materiali con proprietà che vanno ben oltre l'intervallo di ciò che gli è stato originariamente insegnato. Testando il loro metodo su reti elastiche disordinate — modelli di materiali composti da punti e molle interconnessi — hanno dimostrato che il sistema può inventare strutture con comportamenti completamente assenti dai suoi dati di addestramento. Il risultato è uno strumento che può non solo perfezionare i materiali noti, ma anche scoprire quelli completamente nuovi, risolvendo problemi che i modelli tradizionali di machine learning semplicemente non possono affrontare.

Il nucleo di questo nuovo framework è un simulatore di dinamica molecolare basato su reti neurali a grafo. Per capire come funziona, immaginate un materiale come una ragnatela di sfere collegate da molle. In una simulazione standard, un computer calcola come ogni sfera si muove in base alle forze che agiscono su di essa, passo dopo passo. Questo è accurato ma incredibilmente lento. I ricercatori hanno addestrato il loro modello di machine learning per prevedere questi movimenti molto più velocemente, imparando i modelli sottostanti di come le sfere interagiscono. Tuttavia, esiste un ostacolo maggiore: i modelli di machine learning di solito hanno bisogno di conoscere la velocità e la direzione attuali delle sfere per prevedere il passo successivo. In uno scenario di progettazione reale, si parte con un'immagine statica di un materiale, non una in movimento. Il modello è cieco rispetto al movimento che deve prevedere.

Per risolvere questo problema, i ricercatori hanno introdotto un metodo "bootstrap". Prima che la simulazione principale inizi, un motore personalizzato basato sulla fisica genera un brevissimo impulso iniziale di movimento a partire dal punto di partenza statico. Questo fornisce il contesto necessario — la velocità e la direzione delle sfere — per dare il via al modello di machine learning. Una volta che la simulazione è in corso, il sistema affronta un'altra sfida: mantenere le previsioni fisicamente realistiche, specialmente quando si progettano materiali che si comportano in modi che il modello non ha mai visto prima. Per affrontare ciò, hanno impiegato una tecnica chiamata ottimizzazione basata sulla fisica durante l'inferenza. Mentre la simulazione è in esecuzione, il sistema controlla costantemente le proprie previsioni rispetto alle leggi fondamentali della fisica, come la conservazione dell'energia e della pressione. Se il modello di machine learning inizia a deviare verso uno stato impossibile, il sistema corregge delicatamente la traiettoria, assicurando che il materiale rimanga fisicamente valido pur esplorando comunque nuovi comportamenti.

I ricercatori hanno messo alla prova questo framework utilizzando reti elastiche disordinate, che sono essenzialmente reti casuali di molle e nodi. Hanno addestrato il loro simulatore esclusivamente su reti che si comportavano in modo standard: quando schiacciate, si assottigliano, proprio come la maggior parte dei materiali quotidiani. Queste reti di addestramento avevano una proprietà specifica chiamata rapporto di Poisson, una misura di quanto un materiale si restringa lateralmente quando viene teso o si espande lateralmente quando viene schiacciato, che variava tra 0,1 e 0,4. L'obiettivo era vedere se il sistema potesse progettare una rete che facesse l'esatto opposto: un materiale che si allarga quando viene schiacciato. Questo è noto come materiale auxetico, una proprietà rara e preziosa in ingegneria.

Nonostante non avesse mai visto un materiale auxetico durante l'addestramento, il sistema ha progettato con successo reti con un rapporto di Poisson fino a -0,3. Questo è un cambiamento drammatico rispetto ai dati di addestramento, rappresentando un materiale che si contrae trasversalmente invece di espandersi quando compresso. I ricercatori hanno ottenuto questo risultato modificando le posizioni dei nodi nella rete o regolando la rigidità delle molle che le collegano. In alcuni casi, hanno combinato entrambe le strategie, permettendo al sistema di trovare soluzioni ancora più estreme, raggiungendo rapporti fino a -0,35. Il sistema non ha trovato solo un singolo esempio; ha prodotto costantemente questi risultati, dimostrando che il metodo è robusto e affidabile.

La potenza di questo approccio va oltre il semplice cambiamento di un singolo numero. I ricercatori hanno dimostrato che il sistema può anche ingegnerizzare specifici comportamenti locali all'interno di un materiale più grande. Hanno chiesto al computer di creare una piccola tasca all'interno di una rete standard che si comportasse diversamente dal resto. In un esperimento, hanno progettato una regione che agiva come una tasca auxetica, restringendosi lateralmente mentre l'intera rete veniva schiacciata, mentre il materiale circostante si comportava normalmente. In un altro caso, hanno creato una zona in cui si concentrava lo stress, incanalando efficacemente più forza in un'area specifica senza cambiare la resistenza complessiva del materiale. Questi difetti localizzati erano totalmente assenti dai dati di addestramento, eppure il sistema li ha generati con precisione, dimostrando una capacità di manipolare il materiale a un livello granulare.

Un'altra scoperta significativa è stata la capacità del sistema di gestire diverse dimensioni dei materiali. Il simulatore è stato addestrato su reti contenenti meno di 200 nodi, ma ha ottimizzato con successo reti fino a 5.000 nodi. Questa scalabilità è cruciale per le applicazioni nel mondo reale, dove i materiali sono raramente piccoli. I ricercatori hanno anche dimostrato che il sistema può rimodellare l'intera curva sforzo-deformazione di un materiale, che descrive come esso si deforma sotto pressione. Potevano prendere un materiale che rispondeva in modo semplice e lineare e riprogettarlo affinché avesse una risposta complessa e non lineare, spingendo le prestazioni del materiale ben oltre i limiti osservati durante l'addestramento.

Il successo di questo framework si basa sul delicato equilibrio tra la velocità del machine learning e l'accuratezza della fisica. Utilizzando un breve inizio basato sulla fisica per inizializzare la simulazione e poi raffinando continuamente il percorso con vincoli fisici, il sistema evita le trappole comuni del puro machine learning. Non si limita a indovinare; impara le regole del movimento e poi le applica in modo creativo. Ciò gli consente di esplorare spazi di progettazione precedentemente inaccessibili, trovando soluzioni che sono non solo nuove, ma anche fisicamente realizzabili.

Le implicazioni di questo lavoro sono significative per il futuro della scienza dei materiali. Suggerisce che possiamo andare oltre la semplice selezione di materiali esistenti per progettare attivamente nuovi materiali con proprietà mirate. La capacità di generare materiali con comportamenti che sono completamente al di fuori dell'ambito dei dati di addestramento apre la porta alla scoperta di soluzioni per problemi che non abbiamo ancora pienamente definito. Che si tratti di creare strutture ammortizzanti che diventano più rigide sotto impatto o di progettare l'elettronica flessibile che mantiene la sua integrità sotto deformazioni estreme, questo metodo fornisce un potente nuovo strumento. I ricercatori hanno dimostrato che, combinando il potere predittivo dell'intelligenza artificiale con la forza di ancoraggio delle leggi fisiche, possiamo guidare la scoperta di materiali in direzioni che prima erano considerate irraggiungibili.