Relazione tra i sistemi di test BBB e gli atomi di carica frazionaria dal training set. Credito:Michael Medvedev (Istituto Zelinsky di Chimica Organica di RAS)
Nel loro articolo pubblicato su Scienza nel dicembre 2021, un team di DeepMind ha mostrato come le reti neurali possono essere utilizzate per descrivere le interazioni di elettroni nei sistemi chimici in modo più accurato rispetto ai metodi esistenti. Un team di ricercatori di Skoltech, Zelinsky Institute of Organic Chemistry, HSE University, Yandex e Kyungpook National University lo mostrano nel loro commento su Scienza che la capacità di DeepMind AI di generalizzare il comportamento di tali sistemi non deriva dai risultati pubblicati e richiede una rivisitazione.
Sapere dove si trovano gli elettroni all'interno di una molecola può aiutare molto a spiegarne la struttura, le proprietà e la reattività. I chimici utilizzano i metodi della teoria del funzionale della densità (DFT), approssimazioni all'equazione di Schrödinger, per creare modelli accurati e computazionalmente efficienti di molecole e materiali. Ma ci sono circostanze ben note in cui gli strumenti DFT falliscono. Uno è prevedere come gli atomi condividono gli elettroni; in un famoso esempio, i metodi DFT prevedono erroneamente che anche quando un atomo di cloro e un atomo di sodio sono infinitamente distanti, l'atomo di cloro conserva una frazione di uno degli elettroni dell'atomo di sodio.
Errori del genere sorgono perché le equazioni DFT sono solo approssimazioni della realtà fisica. I ricercatori del progetto di apprendimento automatico DeepMind affermano che la loro rete neurale elimina quell'errore di parte di un elettrone e fa previsioni più accurate rispetto ai tradizionali metodi DFT
"In sostanza, DFT è un metodo per risolvere l'equazione di Schrödinger. La sua precisione è determinata dalla sua parte di correlazione di scambio, che purtroppo è sconosciuta. Ad oggi, sono state proposte oltre 400 approssimazioni distinte per questa parte", afferma Petr Zhyliaev , ricercatore senior presso Skoltech.
"Un modo per costruire una buona parte di correlazione di scambio è trasferire informazioni su di essa da metodi numerici più 'avanzati' rispetto alla teoria del funzionale della densità, che sono, tuttavia, ordini di grandezza meno efficienti dal punto di vista computazionale. Nel loro lavoro, DeepMind ha utilizzato un sistema neurale rete come interpolatore universale per apprendere la parte scambio-correlazione del funzionale. Il loro tentativo non è stato di gran lunga il primo, ma è uno dei più ambiziosi."
DeepMind ha costruito un funzionale di densità basato su rete neurale designato come DM21, addestrato su sistemi di elettroni frazionari, come un atomo di idrogeno con mezzo elettrone. Per dimostrare la sua superiorità, gli autori hanno testato DM21 su un insieme di dimeri allungati (chiamato set BBB), ad esempio, due atomi di idrogeno a grande distanza con un totale di un elettrone.
Prevedibilmente, il funzionale DM21 mostra prestazioni eccellenti sul set di test BBB, superando di gran lunga tutti i funzionali DFT classici testati e il DM21m, addestrato in modo identico al DM21 ma senza i sistemi a elettroni frazionari nel set di allenamento.
Sebbene possa sembrare che DM21 abbia compreso la fisica dietro i sistemi di elettroni frazionari, uno sguardo più attento mostra che tutti i dimeri nel set BBB diventano molto simili ai sistemi nel set del treno. Infatti, in virtù della localizzazione delle interazioni elettrodeboli, le interazioni atomiche sono forti solo a brevi distanze, al di fuori delle quali i due atomi si comportano essenzialmente come se non stessero interagendo (vedi figura sopra).
"In un certo senso, le reti neurali sono proprio come gli esseri umani:preferiscono ottenere la risposta giusta per il motivo sbagliato, e viceversa. Pertanto, non è così difficile addestrare una rete neurale, quanto dimostrarlo ha imparato le leggi fisiche invece di memorizzare le risposte giuste. Testare una rete neurale sui sistemi che ha visto durante l'allenamento è come esaminare uno scolaro con un compito che ha visto risolvere da un insegnante solo cinque minuti fa", spiega Michael Medvedev, il leader di Gruppo di Chimica Teorica presso l'Istituto Zelinsky di Chimica Organica dell'Accademia Russa delle Scienze.
Pertanto, il set di test BBB non è corretto:non verifica la comprensione del DM21 dei sistemi di elettroni frazionari:DM21 può facilmente cavarsela con la memorizzazione. Un'analisi approfondita delle altre quattro evidenze della gestione DM21 di tali sistemi non ha portato a una conclusione decisiva:solo la sua buona precisione sul set SIE4x4 può essere affidabile, anche se anche lì un chiaro trend di crescita degli errori con la distanza suggerisce che DM21 non è completamente privo di problemi con i sistemi a elettroni frazionari.
L'uso di sistemi a elettroni frazionari nel set di addestramento non è l'unica novità nel lavoro di DeepMind. È probabile che la loro idea di introdurre i vincoli fisici in una rete neurale tramite il set di addestramento, così come l'approccio per imporre il senso fisico attraverso l'allenamento sul potenziale chimico corretto, sarà ampiamente utilizzata nella costruzione di funzionali DFT della rete neurale in futuro. + Esplora ulteriormente
