La struttura del modello. Una rete neurale elabora una geometria molecolare per prevedere un'hamiltoniana quantistica semiempirica, che viene quindi risolta in modo autocoerente per prevedere una varietà di proprietà chimiche. Credito:Kipton Barros, Los Alamos National Laboratory.
In un nuovo studio, pubblicato su Proceedings of the National Academy of Sciences , i ricercatori del Los Alamos National Laboratory hanno proposto di incorporare più della matematica della meccanica quantistica nella struttura delle previsioni di apprendimento automatico. Utilizzando le posizioni specifiche degli atomi all'interno di una molecola, il modello di apprendimento automatico prevede un'efficace matrice Hamiltoniana, che descrive i vari possibili stati elettronici insieme alle loro energie associate.
Rispetto alle tradizionali simulazioni di chimica quantistica, l'approccio basato sull'apprendimento automatico effettua previsioni a un costo computazionale molto ridotto. Consente previsioni quantitativamente precise sulle proprietà dei materiali, consente una visione interpretabile della natura del legame chimico tra atomi e può essere utilizzato per prevedere altri fenomeni complessi, come il modo in cui il sistema risponderà alle perturbazioni, come le interazioni luce-materia. Il metodo fornisce inoltre un'accuratezza notevolmente migliorata rispetto ai tradizionali modelli di apprendimento automatico e dimostra il successo nella trasferibilità, ovvero la capacità del modello di fare previsioni che vanno ben oltre i dati che hanno costituito la base del suo addestramento.
Le equazioni della meccanica quantistica forniscono una tabella di marcia per prevedere le proprietà delle sostanze chimiche a partire dalle teorie scientifiche di base. Tuttavia, queste equazioni possono diventare rapidamente troppo costose in termini di tempo e potenza del computer se utilizzate per prevedere il comportamento in sistemi di grandi dimensioni. L'apprendimento automatico offre un approccio promettente per accelerare simulazioni su larga scala. L'uso dell'apprendimento automatico per prevedere le proprietà chimiche offre il potenziale per grandi progressi tecnologici, con applicazioni dall'energia più pulita alla progettazione più rapida di farmaci. Questa è un'area di ricerca molto attiva, ma la maggior parte degli approcci esistenti utilizza approcci semplici ed euristici alla progettazione dei modelli di apprendimento automatico.
Nel loro studio, i ricercatori hanno dimostrato che i modelli di apprendimento automatico possono imitare la struttura di base delle leggi fondamentali della natura. Queste leggi possono essere molto difficili da simulare direttamente. L'approccio di apprendimento automatico consente previsioni facili da calcolare e accurate in un'ampia gamma di sistemi chimici.
Il modello di apprendimento automatico migliorato può prevedere in modo rapido e accurato un'ampia gamma di proprietà delle molecole. Questi approcci ottengono ottimi punteggi su importanti parametri di riferimento nella chimica computazionale e mostrano come i metodi di apprendimento profondo possono continuare a migliorare incorporando più dati dagli esperimenti. Il modello può anche avere successo in compiti impegnativi come la previsione della dinamica dello stato eccitato, ovvero come si comportano i sistemi con livelli di energia elevati. Questo strumento è una capacità rivoluzionaria per la chimica quantistica. Consentirà ai ricercatori di comprendere meglio la reattività e gli stati eccitati di nuove molecole. + Esplora ulteriormente
