Un team di scienziati della Freie Universität Berlin ha sviluppato un metodo di intelligenza artificiale (AI) che fornisce una soluzione fondamentalmente nuova del "problema di campionamento" nella fisica statistica. Il problema del campionamento è che le proprietà importanti dei materiali e delle molecole non possono praticamente essere calcolate simulando direttamente il movimento degli atomi nel computer perché le capacità computazionali richieste sono troppo vaste anche per i supercomputer. Il team ha sviluppato un metodo di deep learning che velocizza enormemente questi calcoli, rendendoli fattibili per applicazioni precedentemente intrattabili. "L'intelligenza artificiale sta cambiando tutte le aree della nostra vita, compreso il modo in cui facciamo scienza, " spiega il dottor Frank Noé, professore alla Freie Universität di Berlino e autore principale dello studio. Diversi anni fa, i cosiddetti metodi di apprendimento profondo hanno superato gli esperti umani nel riconoscimento di schemi, che si tratti della lettura di testi scritti a mano o del riconoscimento di cellule cancerose da immagini mediche. "Da queste scoperte, La ricerca sull'intelligenza artificiale è salita alle stelle. Ogni giorno, vediamo nuovi sviluppi in aree di applicazione in cui i metodi tradizionali ci hanno lasciato bloccati per anni. Crediamo che il nostro approccio potrebbe essere un tale progresso per il campo della fisica statistica." I risultati sono stati pubblicati in Scienza .

La fisica statistica mira al calcolo delle proprietà dei materiali o delle molecole in base alle interazioni dei loro componenti costitutivi, che si tratti della temperatura di fusione di un metallo, o se un antibiotico può legarsi alle molecole di un batterio e quindi disabilitarlo. Con metodi statistici, tali proprietà possono essere calcolate nel computer, e le proprietà del materiale o l'efficienza di un farmaco specifico possono essere migliorate. Uno dei problemi principali quando si esegue questo calcolo è il vasto costo computazionale, spiega Simon Olsson, un coautore dello studio:"In linea di principio dovremmo considerare ogni singola struttura, ciò significa ogni modo per posizionare tutti gli atomi nello spazio, calcola la sua probabilità, e poi prendi la loro media. Ma questo è impossibile perché il numero di possibili strutture è astronomicamente grande anche per piccole molecole. Perciò, l'approccio usuale consiste nel simulare il movimento dinamico e le fluttuazioni delle molecole, e quindi campionare solo quelle strutture che è molto probabile che si verifichino. Sfortunatamente, tali simulazioni sono spesso così costose dal punto di vista computazionale che non possono essere eseguite nemmeno sui supercomputer:questo è il problema del campionamento".

Il metodo AI del team del Prof. Noé è un approccio completamente nuovo al problema del campionamento. "Invece di simulare il movimento delle molecole a piccoli passi, troviamo direttamente le strutture ad alta probabilità, e lasciarsi alle spalle il numero molto maggiore di strutture a bassa probabilità. Dopo di che, i calcoli sono molto economici, " spiega Noè, "I metodi di intelligenza artificiale sono la chiave per questo approccio al lavoro". Jonas Köhler, un altro coautore dello studio ed esperto di metodi di machine learning, spiega l'approccio con un esempio:"Immagina di mettere una goccia di inchiostro in una vasca da bagno piena d'acqua. La goccia di inchiostro si separa e si mescola con l'acqua. Ora vogliamo trovare le molecole di inchiostro. Se lo facciamo selezionando casualmente le molecole dalla vasca da bagno, questo sarebbe molto inefficiente:dovremmo svuotare completamente la vasca per trovare tutto l'inchiostro. Anziché, utilizzando l'intelligenza artificiale, apprendiamo il flusso dell'acqua che distribuisce l'inchiostro nel tempo con una rete neurale invertibile. Con una rete del genere, possiamo invertire il flusso, sostanzialmente invertire il tempo, e poi trova tutte le molecole di inchiostro nella goccia con cui abbiamo iniziato, senza dover cercare nel resto della vasca da bagno."

Ci sono ancora molte sfide da risolvere prima che il metodo del team di Noé sia ​​pronto per le applicazioni industriali. "Questa è ricerca di base, "Noè spiega, "ma è un approccio completamente nuovo a un vecchio problema che apre le porte a molti nuovi sviluppi, e non vediamo l'ora di vederli negli anni a venire".