Perché l'acqua è più densa a circa 4 gradi Celsius? Perché il ghiaccio galleggia? Perché l'acqua pesante ha un punto di fusione diverso rispetto all'acqua normale? Perché i fiocchi di neve hanno una simmetria di sei volte? Uno studio collaborativo, guidato da ricercatori dell'EPFL e appena pubblicato nel Atti dell'Accademia Nazionale delle Scienze , fornisce approfondimenti fisici su queste domande unendo tecniche di apprendimento automatico basate sui dati e meccanica quantistica.

Gli elementi costitutivi della maggior parte della materia osservabile sono elettroni e nuclei. Seguendo le leggi della meccanica quantistica, il loro comportamento può essere descritto in termini di funzione d'onda, una sorta di nuvola diffusa che è legata alla probabilità di osservarli in un dato punto e tempo. Risolvendo l'equazione di Schrödinger, è possibile fare modelli e previsioni di qualsiasi materiale, compresa l'acqua. Ma c'è un problema. All'aumentare del numero di elettroni e nuclei, la complessità in gioco diventa presto intrattabile, anche con i supercomputer più veloci, nonostante un secolo di celebrati progressi nell'ottimizzazione di tali calcoli. Infatti, i calcoli della meccanica quantistica sono ancora insostenibili per i sistemi con più di poche centinaia di atomi, o per un periodo di tempo superiore a un nanosecondo.

Per superare queste dure limitazioni, i ricercatori hanno sfruttato una rete neurale artificiale (ANN) per apprendere le interazioni atomiche dalla meccanica quantistica. L'architettura delle ANN può essere rappresentata come diversi strati di nodi interconnessi che imitano la struttura dei neuroni in un cervello umano. La RNA apprende prima le interazioni della meccanica quantistica tra gli atomi, e poi fa previsioni veloci sull'energia e le forze per un sistema di atomi, aggirando la necessità di eseguire costosi calcoli di meccanica quantistica.

Finora, tutto sembra piuttosto solo un'altra storia di successo dell'apprendimento automatico. Però, ci sono sottigliezze. La RNA ha un errore residuo rispetto ai calcoli della meccanica quantistica effettivi:la maggior parte delle volte, introduce una piccola quantità di rumore, e a volte fa un'ipotesi azzardata:questo accade quando un input è molto diverso da qualsiasi cosa abbia già appreso.

Come evitare le insidie ​​della RNA:invece di impiegare la RNA da sola per fare previsioni su un sistema di atomi, i ricercatori lo hanno usato come modello surrogato. In sostanza, il calcolo delle proprietà dei materiali a una temperatura finita di solito comporta molti passaggi di calcolo, e le parti laboriose e ripetitive possono essere delegate al modello surrogato economico. Finalmente, la differenza tra il surrogato e la verità fondamentale, che è la differenza tra la RNA e la meccanica quantistica, possono essere contabilizzati e sottratti dalle previsioni finali.

Con queste tecniche, i ricercatori sono stati in grado di riprodurre diverse proprietà termodinamiche dell'acqua dalla meccanica quantistica, compresa la densità del ghiaccio e dell'acqua, la differenza di temperatura di fusione per l'acqua normale e pesante, e la stabilità delle diverse forme di ghiaccio. Inoltre, lo studio rivela diverse intuizioni fisiche su ciò che conferisce ai sistemi di ghiaccio e acqua le loro proprietà peculiari. Una delle scoperte più importanti è che le fluttuazioni quantistiche nucleari, che comportano la tendenza degli elementi leggeri come l'idrogeno a comportarsi più come una nuvola diffusa che come una particella localizzata, promuovere l'imballaggio esagonale delle molecole all'interno del ghiaccio, che alla fine porta alla simmetria di sei volte dei fiocchi di neve.