Il team guidato da scienziati della società di intelligenza artificiale DeepMind con sede a Londra ha sviluppato un modello di apprendimento automatico che suggerisce le caratteristiche di una molecola prevedendo la distribuzione degli elettroni al suo interno. Il metodo, descritto nel numero del 10 dicembre della rivista Science, può calcolare le proprietà di alcune molecole in modo più accurato rispetto alle tecniche esistenti.
Anatole von Lilienfeld, scienziato dei materiali presso l’Università di Vienna, ha detto: «Renderlo accurato come hanno fatto loro è un’impresa».
Katarzyna Pernal, professoressa di Fisica e Chimica computazionale presso l’Università di Tecnologia di Lodz in Polonia, ha affermato:
«Il documento è “un solido lavoro”, ma il modello di apprendimento automatico ha ancora molta strada da fare prima di poter essere utile per i chimici computazionali».
Proprietà predittive
La struttura dei materiali e delle molecole, in linea di principio, è interamente determinata dalla meccanica quantistica, e in particolare dall’equazione di Schrödinger, che governa il comportamento delle funzioni d’onda degli elettroni.
James Kirkpatrick, fisico di DeepMind, ha detto:
«Questi sono i marchingegni matematici che descrivono la probabilità di trovare un particolare elettrone in una particolare posizione nello spazio, ma poiché tutti gli elettroni interagiscono tra loro, calcolare la struttura o gli orbitali molecolari da tali primi principi è un incubo computazionale e può essere fatto solo per le molecole più semplici, come il benzene».
I ricercatori dai farmacologi agli ingegneri delle batterie, il cui lavoro si basa sulla scoperta o sullo sviluppo di nuove molecole, per aggirare questo problema, per prevedere le proprietà fisiche delle molecole, si sono affidati per decenni a una serie di tecniche chiamate “Teoria del funzionale della densità (DFT)” (è una teoria quantistica microscopica per lo studio di sistemi a molti elettroni (atomi, molecole, solidi, ecc.). La teoria non tenta di modellare i singoli elettroni, ma attraverso la molecola, mira invece a calcolare la distribuzione complessiva della carica elettrica negativa degli elettroni.
James Kirkpatrick ha detto:
«DFT esamina la densità di carica media, quindi non sa cosa sono i singoli elettroni. La maggior parte delle proprietà della materia può quindi essere facilmente calcolata da quella densità».
La Teoria del funzionale della densità (DFT) sin dai suoi inizi negli anni ’60, è diventata una delle tecniche più utilizzate nelle scienze fisiche: un’indagine del team di notizie di Nature nel 2014 ha rilevato che, dei primi 100 articoli più citati, 12 riguardavano la DFT. I moderni database delle proprietà dei materiali, come il Materials Project, sono costituiti in larga misura da calcoli DFT.
Il sistema ha dei limiti ed è noto che fornisce risultati sbagliati per alcuni tipi di molecole, anche per alcune semplici come il cloruro di sodio. E sebbene i calcoli DFT siano di gran lunga più efficienti di quelli che iniziano dalla teoria quantistica di base, sono ancora ingombranti e spesso richiedono supercomputer, quindi, i chimici teorici nell’ultimo decennio hanno iniziato sempre più a sperimentare l’apprendimento automatico, in particolare per studiare proprietà come la reattività chimica dei materiali o la loro capacità di condurre il calore.
Problema ideale
Il team di DeepMind ha fatto probabilmente il tentativo più ambizioso di impiegare l’intelligenza artificiale per calcolare la densità elettronica (è una rappresentazione della probabilità di trovare un elettrone in una posizione specifica attorno a un atomo o una molecola), il risultato finale dei calcoli DFT.
Aron Cohen, chimico teorico che ha lavorato a lungo su DFT e che ora è a DeepMind, ha detto:
«È una specie di problema ideale per l’apprendimento automatico, conosci la risposta, ma non la formula che vuoi applicare».
Il team ha addestrato una rete neurale artificiale sui dati di 1.161 soluzioni accurate derivate dall’equazione di Schrödinger. Anatole von Lilienfeld ha detto:
«I ricercatori per migliorare la precisione, hanno anche cablato alcune delle leggi fisiche conosciute nella rete. Hanno quindi testato il sistema addestrato su una serie di molecole che vengono spesso utilizzate come punto di riferimento per DFT e i risultati sono stati impressionanti. È questo il meglio che la community è riuscita a ottenere e l’hanno battuto con un margine. Il vantaggio dell’apprendimento automatico, è che sebbene sia necessaria una quantità enorme di potenza di calcolo per addestrare i modelli, tale processo deve essere eseguito solo una volta. Le previsioni individuali possono quindi essere eseguite su un normale laptop, riducendo notevolmente i costi e l’impronta di carbonio, rispetto al dover eseguire i calcoli da zero ogni volta».
James Kirkpatrick e Aron Cohen in conclusione hanno affermato:
«DeepMind sta rilasciando il nostro sistema addestrato affinché chiunque possa utilizzarlo. Attualmente il modello si applica principalmente alle molecole e non alle strutture cristalline dei materiali, ma le versioni future potrebbero funzionare anche per i materiali».
