Algoritmi di apprendimento automatico, la base delle reti neurali, stanno aprendo le porte a nuove scoperte, o almeno offrendo indizi allettanti, un enorme database alla volta. Caso in questione:i ricercatori del Pacific Northwest National Laboratory (PNNL) hanno approfondito la modellazione delle interazioni tra le molecole d'acqua, trovare informazioni sui legami idrogeno e sui modelli strutturali mentre si ara un percorso usando, hai indovinato, l'apprendimento profondo.

"Le reti neurali sono un modo per il computer di apprendere automaticamente diverse proprietà di sistemi o dati, " ha detto il data scientist del PNNL, Jenna Pope. "In questo caso, la rete neurale apprende l'energia di diverse reti di cluster idrici sulla base dei dati precedenti."

I ricercatori del PNNL ne hanno utilizzati 500, 000 cluster d'acqua da un database recentemente sviluppato di oltre 5 milioni di minimi di cluster d'acqua per addestrare una rete neurale basata sul potere matematico della teoria dei grafi, una raccolta di nodi e collegamenti che rappresentano la struttura molecolare, per decifrare i modelli strutturali dell'aggregazione delle molecole d'acqua. Lavorando con il molecolare, forma gassosa dell'acqua, hanno prestato particolare attenzione alla relazione tra legame idrogeno ed energia relativa alla struttura più stabile.

"Questo è il Santo Graal, " disse Pope. "In questo momento, ci vuole un grande sforzo per sviluppare un potenziale di interazione accurato per l'acqua. Ma con le reti neurali, l'obiettivo finale è far apprendere alle reti, da un grande set di dati, qual è l'energia di una rete basata sulla sua struttura molecolare sottostante."

Dopo aver dimensionato 500, 000 gruppi d'acqua, la rete neurale nello studio condotto dal PNNL è stata addestrata ai vari modi in cui le molecole d'acqua interagiscono tra loro. Il set di dati in teoria avrebbe potuto includere l'intero database di 5 milioni di reti idriche. Ma per ragioni pratiche non è stato così.

"L'utilizzo dell'intero database per addestrare la rete neurale avrebbe richiesto troppo tempo di calcolo, " disse Pope. Addestrando le reti neurali profonde per esaminare quei 500, 000 gruppi idrici, solo un decimo dell'intero database, hanno impiegato più di due giorni e mezzo utilizzando quattro computer all'avanguardia con prestazioni di unità di elaborazione grafica (GPU) considerevoli, lavorando tutto il giorno.

Parte di un'immagine più grande

Le reti neurali esistono da decenni. Maggiore potenza di elaborazione dei chip GPU negli ultimi 10 anni, però, ha notevolmente migliorato la capacità di queste reti, anche associato alla frase "apprendimento profondo". Anche con tale promessa, l'addestramento delle reti neurali è una sfida computazionale costosa. E per quanto precisi possano essere, le reti neurali sono spesso criticate come scatole nere che non offrono informazioni sul motivo per cui stanno dando la risposta che danno.

L'Exascale Computing Project (ECP) del Dipartimento dell'Energia degli Stati Uniti (DOE) è stato lanciato nel 2016 per esplorare i problemi di supercalcolo più intrattabili, compreso il perfezionamento delle reti neurali. Nel 2018, ECP ha generato l'ExaLearn Co-Design Center, concentrandosi sulle tecnologie di apprendimento automatico. PNNL è tra gli otto laboratori nazionali che partecipano al progetto ExaLearn. James Ang, capo scienziato del PNNL per l'informatica nelle scienze fisiche e computazionali, guida la partecipazione del Laboratorio.

Database vicino a casa

Uno degli obiettivi principali di ExaLearn è sviluppare tecnologie di intelligenza artificiale in grado di progettare nuove strutture chimiche imparando da enormi set di dati. Ricerca guidata da Sutanay Choudhury, un informatico del PNNL, attinto all'enorme database dei cluster idrici sviluppato presso il campus PNNL-Richland da Sotiris Xantheas, un borsista di laboratorio PNNL. Xantea, noto in fisica chimica per le sue ricerche sulle interazioni intermolecolari in ammassi ionici acquosi, è coautore dello studio sulle reti neurali pubblicato nel numero speciale "Machine Learning Meets Chemical Physics" del Giornale di Fisica Chimica .

"Diverse proprietà macroscopiche dell'acqua sono state attribuite alla sua fugace rete di legami a idrogeno, che consiste in una rete dinamica di legami che si rompono e si riformano in una frazione di secondo a temperatura ambiente, " disse Xanteas, il cui lavoro nel database è stato supportato dall'Office of Science del DOE, programma di scienze energetiche di base, Scienze chimiche, geoscienze, e Divisione di Bioscienze. "Gli acquari forniscono un banco di prova per sondare questa fugace rete di legami a idrogeno comprendendo la relazione struttura-energia delle diverse disposizioni di legami a idrogeno".

I ricercatori del PNNL avevano una strategia per decifrare questa particolare scatola nera. Hanno usato la teoria dei grafi, una branca della matematica che studia come le cose sono connesse in una rete, per rappresentare, in forma grafica, molecole e loro sottostrutture poligonali. I descrittori teorici dei grafi ideati dal team hanno fornito diverse informazioni sulla composizione dei gruppi d'acqua.

"Quello che abbiamo fatto, "ha detto Papa, "è fornire un'analisi aggiuntiva dopo che la rete è stata addestrata. L'analisi quantifica le diverse proprietà strutturali di queste reti di cluster d'acqua. Quindi possiamo confrontarle con la nostra rete neurale prevista e, in successivi esami di set di dati, migliorare la comprensione della rete."

L'acqua ha un futuro di rete neurale

I risultati dello studio forniscono una base per l'analisi dei modelli strutturali dei cluster idrici in reti più complesse legate all'idrogeno, come acqua liquida e ghiaccio.

"Se fossi in grado di addestrare una rete neurale, "ha detto Papa, "quella rete neurale sarebbe in grado di fare chimica computazionale su sistemi più grandi. E poi potresti fare intuizioni simili nella chimica computazionale sulla struttura chimica o sul legame idrogeno o sulla risposta delle molecole ai cambiamenti di temperatura. Questi sono tra gli obiettivi di questa ricerca".