From Black Boxes to Formulas: Interpretable Kolmogorov-Arnold Networks for HF-3c-to-DFT Descriptor Prediction

Nel mondo della chimica, gli scienziati affrontano spesso una scelta difficile tra velocità e precisione. Per comprendere come si comportano le molecole, essi si affidano a potenti simulazioni al computer basate su un metodo chiamato teoria del funzionale della densità. Questo approccio è simile a un microscopio ad alta risoluzione; rivela i dettagli intricati dell'energia molecolare e della struttura elettronica con grande accuratezza. Tuttavia, eseguire queste simulazioni è incredibilmente costoso in termini di potenza di calcolo, specialmente quando si studiano grandi e complessi assemblaggi di molecole. Spesso è troppo lento per essere utilizzato per lo screening di migliaia di potenziali materiali. Per risolvere questo problema, i ricercatori utilizzano frequentemente un metodo molto più veloce ed economico che fornisce uno schizzo approssimativo delle proprietà della molecola. La sfida è sempre stata come prendere quello schizzo approssimativo e trasformarlo in modo affidabile in un'immagine ad alta risoluzione senza dover eseguire la costosa simulazione ogni singola volta.

Un team di ricercatori dell'Università ITMO ha trovato un nuovo modo per colmare questo divario, allontanandosi da modelli informatici complessi e opachi verso regole matematiche semplici e trasparenti. Si sono concentrati su un set specifico di oltre mille strutture molecolari ad anello. Per ogni struttura, disponevano di due set di dati: le stime rapide e a basso costo e i valori lenti e ad alta precisione. Il loro obiettivo era insegnare a un computer come apprendere la correzione esatta necessaria per trasformare i numeri economici in quelli costosi. Invece di utilizzare le massicce e complicate reti neurali che sono diventate lo standard in questo campo, spesso chiamate "black box" perché la loro logica interna è impossibile da leggere per gli esseri umani, i ricercatori hanno impiegato un tipo di rete più recente chiamato rete di Kolmogorov-Arnold. Questo design è diverso perché costruisce le sue previsioni utilizzando funzioni semplici a singola variabile che possono essere facilmente tracciate e comprese.

I risultati sono stati sorprendenti. La nuova rete, che conteneva solo poche centinaia di impostazioni regolabili, ha superato altri dieci modelli consolidati, inclusi sistemi complessi basati su alberi e reti neurali profonde, in ogni singola proprietà testata. Queste proprietà includevano l'energia delle molecole, l'entropia (una misura del disordine), i momenti di dipolo elettrico e il divario tra i loro livelli di energia più alto e più basso. Soprattutto, i ricercatori non hanno ottenuto solo numeri migliori; hanno ottenuto una spiegazione chiara del perché quei numeri funzionassero. Analizzando la rete addestrata, hanno scoperto che la relazione tra le stime economiche e i valori precisi era molto più semplice di quanto si fosse assunto. Per tre delle proprietà legate all'energia, l'intera complessa correzione si è ridotta a una singola regola lineare: il valore preciso è semplicemente il valore economico moltiplicato per un piccolo fattore e traslato di una costante. Ciò significa che, per queste energie, la differenza tra il metodo veloce e quello lento è essenzialmente un problema di scala uniforme, non una distorsione caotica e imprevedibile.

Lo studio ha anche rivelato che, per la maggior parte delle proprietà, la correzione dipende quasi interamente dalla corrispondente misurazione economica. Ad esempio, il valore preciso dell'entropia è guidato quasi esclusivamente dall'entropia economica, e il gap elettrico preciso è guidato dal gap economico. La rete ha imparato che non aveva bisogno di mescolare e abbinare diversi tipi di dati per fare una previsione accurata; doveva solo regolare il numero specifico che le veniva fornito. Questa scoperta suggerisce che il segnale necessario per aggiornare i dati economici è già contenuto nei dati stessi, in attesa di essere sbloccato dal giusto tipo di formula semplice. Sebbene due proprietà, il gap elettrico e il momento di dipolo, richiedessero regole leggermente più complesse per catturare il loro comportamento, i ricercatori sono stati comunque in grado di distillare la logica della rete in brevi equazioni leggibili che chiunque potrebbe scrivere su un foglio di carta.

Questo lavoro rappresenta un cambiamento significativo nel modo in cui gli scienziati approcciano l'apprendimento automatico in chimica. Dimostra che l'alta accuratezza non richiede una "black box". Utilizzando un'architettura di rete progettata per essere interpretabile, i ricercatori hanno dimostrato di poter eguagliare le prestazioni dei modelli più sofisticati producendo al contempo risultati verificabili e trasferibili. I complessi strati nascosti di una rete neurale tradizionale sono stati sostituiti da una manciata di chiare relazioni lineari e da alcuni piccoli aggiustamenti. Ciò significa che in futuro i chimici potrebbero non dover più fare affidamento su programmi informatici massicci e inspiegabili per ottenere dati di alta qualità. Al contrario, potranno utilizzare queste formule trasparenti per stimare rapidamente e con fiducia il comportamento di nuove strutture molecolari, sapendo esattamente come il calcolo è stato derivato e perché funziona. Lo studio conferma che, per questa specifica classe di anelli molecolari, il percorso dal rapporto approssimativo al valore preciso non è un mistero, ma una linea matematica diretta.