Un team di ricercatori del MIPT, Skoltech, e Dukhov Research Institute of Automatics, guidato da Artem Oganov, ha utilizzato una tecnica di apprendimento automatico per modellare il comportamento dell'alluminio e dell'uranio nelle fasi liquida e cristallina a varie temperature e pressioni. Tali simulazioni di sistemi chimici possono prevedere le loro proprietà in una serie di condizioni prima che vengano eseguiti gli esperimenti, consentendo ulteriori lavori solo con i materiali più promettenti. I risultati della ricerca sono stati pubblicati sulla rivista Rapporti scientifici .

Chimica informatica

I rapidi progressi della scienza negli ultimi 100 anni hanno portato alla scoperta di un numero sorprendente di composti organici e inorganici, strutture proteiche e lipidiche, e reazioni chimiche. Ma con tutte queste nuove strutture e molecole, è necessario un tempo crescente per studiare la loro composizione, proprietà biochimiche e fisiche, e per testare i modelli del loro comportamento in varie condizioni e le loro possibili interazioni con altri composti. Tale ricerca può ora essere accelerata utilizzando la modellazione al computer.

L'approccio del campo di forza è attualmente la tecnica di modellazione dominante. Si avvale di un insieme di parametri che descrivono un dato sistema biochimico. Questi includono lunghezze di legame, angoli e cariche, tra gli altri. Però, questa tecnica non è in grado di riprodurre accuratamente le forze della meccanica quantistica in gioco nelle molecole. I calcoli accurati della meccanica quantistica richiedono molto tempo. Inoltre, consentono solo previsioni del comportamento di campioni che sono nella migliore delle ipotesi grandi diverse centinaia di atomi.

Gli approcci di apprendimento automatico alla modellazione molecolare sono di grande interesse per i chimici. Consentono modelli addestrati su set di dati relativamente piccoli ottenuti mediante calcoli di meccanica quantistica. Tali modelli possono quindi sostituire i calcoli della meccanica quantistica, perché sono altrettanto precisi e richiedono circa 1, 000 volte meno potenza di calcolo.

Progressi compiuti dagli strumenti di apprendimento automatico che modellano le interazioni tra gli atomi

I ricercatori hanno utilizzato l'apprendimento automatico per modellare le interazioni tra gli atomi nell'alluminio e nell'uranio cristallino e liquido. L'alluminio è un metallo ben studiato le cui proprietà fisiche e chimiche sono note agli scienziati. Uranio, al contrario, è stato scelto perché ci sono dati pubblicati contrastanti sulle sue proprietà fisiche e chimiche, che i ricercatori hanno cercato di definire in modo più accurato.

Il documento descrive in dettaglio il loro studio di proprietà materiali come la densità fononica degli stati, entropia, e la temperatura di fusione dell'alluminio.

"Le grandezze delle forze interatomiche nei cristalli possono essere utilizzate per prevedere come si comporteranno gli atomi dello stesso elemento a temperature diverse e in una fase diversa, " afferma Ivan Kruglov del Computational Materials Design Laboratory del MIPT. "Per lo stesso motivo, puoi usare i dati sulle proprietà di un liquido per scoprire come si comporteranno gli atomi in un cristallo. Ciò significa che scoprendo di più sulla struttura cristallina dell'uranio, possiamo eventualmente ricostruire l'intero diagramma di fase per questo metallo. I diagrammi di fase sono grafici che indicano le proprietà degli elementi in funzione della pressione e della temperatura. Sono usati per determinare i limiti all'applicabilità di un dato elemento."

Per assicurarsi che i dati forniti dalle simulazioni al computer siano validi, sono confrontati con i risultati sperimentali. Il metodo utilizzato dai ricercatori era in buon accordo con gli esperimenti precedenti. Le informazioni ottenute con l'approccio basato sul machine learning avevano un tasso di errore inferiore, rispetto alle tecniche di modellazione che utilizzano campi di forza.

In questo studio, gli autori migliorano i risultati del 2016 in termini di velocità e accuratezza della modellazione del sistema atomico utilizzando l'apprendimento automatico.