I ricercatori dell'Università di Princeton hanno combinato l'intelligenza artificiale e la meccanica quantistica per simulare ciò che accade a livello molecolare quando l'acqua si congela. Il risultato è la simulazione più completa fino ad ora dei primi passi nella "nucleazione" del ghiaccio, un processo importante per la modellazione climatica e meteorologica. Credito:Pablo Piaggi, Università di Princeton
Un team con sede all'Università di Princeton ha simulato accuratamente le fasi iniziali della formazione del ghiaccio applicando l'intelligenza artificiale (AI) alla risoluzione di equazioni che governano il comportamento quantistico di singoli atomi e molecole.
La simulazione risultante descrive come le molecole d'acqua si trasformano in ghiaccio solido con precisione quantistica. Questo livello di precisione, una volta ritenuto irraggiungibile a causa della quantità di potenza di calcolo richiesta, è diventato possibile quando i ricercatori hanno incorporato reti neurali profonde, una forma di intelligenza artificiale, nei loro metodi. Lo studio è stato pubblicato sulla rivista Proceedings of the National Academy of Sciences.
"In un certo senso, questo è come un sogno che si avvera", ha affermato Roberto Car, Professore di Chimica Ralph W. *31 Dornte di Princeton, che ha co-pioniere dell'approccio di simulazione di comportamenti molecolari basati sulle leggi quantistiche sottostanti più di 35 anni fa . "La nostra speranza allora era che alla fine saremmo stati in grado di studiare sistemi come questo, ma non era possibile senza un ulteriore sviluppo concettuale e che lo sviluppo avvenisse attraverso un campo completamente diverso, quello dell'intelligenza artificiale e della scienza dei dati."
La capacità di modellare le fasi iniziali del congelamento dell'acqua, un processo chiamato nucleazione del ghiaccio, potrebbe migliorare l'accuratezza della modellazione meteorologica e climatica, nonché altri processi come il congelamento rapido degli alimenti.
Il nuovo approccio consente ai ricercatori di monitorare l'attività di centinaia di migliaia di atomi in periodi di tempo migliaia di volte più lunghi, anche se solo frazioni di secondo, rispetto ai primi studi.
Car ha co-inventato l'approccio all'utilizzo delle leggi della meccanica quantistica sottostanti per prevedere i movimenti fisici di atomi e molecole. Le leggi della meccanica quantistica determinano il modo in cui gli atomi si legano tra loro per formare molecole e come le molecole si uniscono tra loro per formare oggetti di uso quotidiano.
Car e Michele Parrinello, un fisico ora all'Istituto Italiano di Tecnologia in Italia, hanno pubblicato il loro approccio, noto come dinamica molecolare "ab initio" (dal latino "dall'inizio"), in un documento rivoluzionario nel 1985.
Ma i calcoli della meccanica quantistica sono complessi e richiedono enormi quantità di potenza di calcolo. Negli anni '80, i computer potevano simulare solo un centinaio di atomi nell'arco di pochi trilionesimi di secondo. I successivi progressi nell'informatica e l'avvento dei moderni supercomputer hanno aumentato il numero di atomi e l'intervallo di tempo della simulazione, ma il risultato è stato molto inferiore al numero di atomi necessari per osservare processi complessi come la nucleazione del ghiaccio.
L'intelligenza artificiale ha fornito una soluzione potenziale interessante. I ricercatori addestrano una rete neurale, chiamata così per le sue somiglianze con il funzionamento del cervello umano, per riconoscere un numero relativamente piccolo di calcoli quantistici selezionati. Una volta addestrata, la rete neurale può calcolare le forze tra gli atomi che non ha mai visto prima con precisione quantomeccanica. Questo approccio di "apprendimento automatico" è già in uso nelle applicazioni quotidiane come il riconoscimento vocale e le automobili a guida autonoma.
Nel caso dell'IA applicata alla modellazione molecolare, un contributo importante è arrivato nel 2018 quando lo studente laureato di Princeton Linfeng Zhang, in collaborazione con Car e il professore di matematica di Princeton Weinan E, ha trovato un modo per applicare reti neurali profonde alla modellazione di forze interatomiche quantomeccaniche. Zhang, che ha conseguito il dottorato di ricerca. nel 2020 ed è ora ricercatore presso l'Istituto di ricerca sui big data di Pechino, chiamato l'approccio "dinamica molecolare del potenziale profondo".
Nel presente articolo, Car e il ricercatore post-dottorato Pablo Piaggi insieme ai colleghi hanno applicato queste tecniche alla sfida della simulazione della nucleazione del ghiaccio. Utilizzando la dinamica molecolare del potenziale profondo, sono stati in grado di eseguire simulazioni fino a 300.000 atomi utilizzando una potenza di calcolo notevolmente inferiore, per periodi di tempo molto più lunghi di quanto fosse possibile in precedenza. Hanno effettuato le simulazioni su Summit, uno dei supercomputer più veloci del mondo, situato all'Oak Ridge National Laboratory.
Questo lavoro fornisce uno dei migliori studi sulla nucleazione del ghiaccio, ha affermato Pablo Debenedetti, preside per la ricerca di Princeton e professore di ingegneria e scienze applicate della classe del 1950 e coautore del nuovo studio.
"La nucleazione del ghiaccio è una delle principali incognite nei modelli di previsione meteorologica", ha affermato Debenedetti. "Questo è un passo avanti piuttosto significativo perché vediamo un ottimo accordo con gli esperimenti. Siamo stati in grado di simulare sistemi molto grandi, cosa che in precedenza era impensabile per i calcoli quantistici".
Attualmente, i modelli climatici ottengono stime della velocità di nucleazione del ghiaccio principalmente dalle osservazioni effettuate in esperimenti di laboratorio, ma queste correlazioni sono descrittive, non predittive e sono valide in un intervallo limitato di condizioni sperimentali. Al contrario, le simulazioni molecolari del tipo svolto in questo studio possono produrre simulazioni predittive di situazioni future e possono stimare la formazione di ghiaccio in condizioni estreme di temperatura e pressione, come su altri pianeti.
"La metodologia del potenziale profondo utilizzata nel nostro studio aiuterà a realizzare la promessa della dinamica molecolare ab initio di produrre preziose previsioni di fenomeni complessi, come le reazioni chimiche e la progettazione di nuovi materiali", ha affermato Athanassios Panagiotopoulos, Susan Dod Brown Professore di chimica e Ingegneria Biologica e co-autore dello studio.
"Il fatto che stiamo studiando fenomeni molto complessi dalle leggi fondamentali della natura, per me è molto eccitante", ha detto Piaggi, primo autore dello studio e ricercatore post-dottorato in chimica a Princeton. Piaggi ha conseguito il dottorato di ricerca. collaborare con Parrinello allo sviluppo di nuove tecniche per lo studio di eventi rari, come la nucleazione, utilizzando la simulazione al computer. Gli eventi rari si verificano su scale temporali più lunghe dei tempi di simulazione che possono essere concessi, anche con l'aiuto dell'IA, e sono necessarie tecniche specializzate per accelerarli.
Jack Weis, uno studente laureato in ingegneria chimica e biologica, ha contribuito ad aumentare la probabilità di osservare la nucleazione "seminando" minuscoli cristalli di ghiaccio nella simulazione. "L'obiettivo della semina è aumentare la probabilità che l'acqua formi cristalli di ghiaccio durante la simulazione, consentendoci di misurare il tasso di nucleazione", ha affermato Weis, consigliato da Debenedetti e Panagiotopoulos.
Le molecole d'acqua sono costituite da due atomi di idrogeno e un atomo di ossigeno. Gli elettroni attorno a ciascun atomo determinano come gli atomi possono legarsi tra loro per formare molecole.
"Iniziamo con l'equazione che descrive come si comportano gli elettroni", ha detto Piaggi. "Gli elettroni determinano come interagiscono gli atomi, come formano legami chimici e praticamente l'intera chimica."
Gli atomi possono esistere letteralmente in milioni di disposizioni diverse, ha affermato Car, che è direttore del Chemistry in Solution e del centro Interfaces, finanziato dal Dipartimento della scienza dell'energia degli Stati Uniti e comprese le università regionali.
"La magia è che, a causa di alcuni principi fisici, la macchina è in grado di estrapolare ciò che accade in un numero relativamente piccolo di configurazioni di una piccola raccolta di atomi alle innumerevoli disposizioni di un sistema molto più grande", ha detto Car.
Sebbene gli approcci dell'IA siano disponibili da alcuni anni, i ricercatori sono stati cauti nell'applicarli ai calcoli dei sistemi fisici, ha affermato Piaggi. "Quando gli algoritmi di apprendimento automatico hanno iniziato a diventare popolari, gran parte della comunità scientifica era scettica, perché questi algoritmi sono una scatola nera. Gli algoritmi di apprendimento automatico non sanno nulla della fisica, quindi perché dovremmo usarli?"
Negli ultimi due anni, tuttavia, c'è stato un cambiamento significativo in questo atteggiamento, ha affermato Piaggi, non solo perché gli algoritmi funzionano, ma anche perché i ricercatori stanno usando le loro conoscenze di fisica per informare i modelli di apprendimento automatico.
Per Car, è gratificante vedere il lavoro iniziato tre decenni fa giungere a buon fine. "Lo sviluppo è arrivato attraverso qualcosa che è stato sviluppato in un campo diverso, quello della scienza dei dati e della matematica applicata", ha affermato Car. "Avere questo tipo di interazione incrociata tra campi diversi è molto importante."
Lo studio, "Homogeneous ice nucleation in an ab initio machine learning model of water", di Pablo M. Piaggi, Jack Weis, Athanassios Z. Panagiotopoulos, Pablo G. Debenedetti e Roberto Car, è stato pubblicato sulla rivista Proceedings dell'Accademia Nazionale delle Scienze la settimana dell'8 agosto 2022. + Esplora ulteriormente
