L'apprendimento automatico consente calcoli accurati della struttura elettronica su larga scala per la modellazione dei materiali

7 luglio 2023

Questo articolo è stato rivisto in base al processo editoriale e alle politiche di Science X. Gli editori hanno evidenziato i seguenti attributi garantendo al tempo stesso la credibilità del contenuto:

verificato

fonte attendibile

correggere le bozze

dall'Associazione Helmholtz dei centri di ricerca tedeschi

La disposizione degli elettroni nella materia, nota come struttura elettronica, svolge un ruolo cruciale nella ricerca fondamentale ma anche applicata, come la progettazione di farmaci e l’immagazzinamento di energia. Tuttavia, la mancanza di una tecnica di simulazione che offra alta fedeltà e scalabilità su diverse scale temporali e di lunghezza è stata a lungo un ostacolo al progresso di queste tecnologie.

I ricercatori del Center for Advanced Systems Understanding (CASUS) presso l'Helmholtz-Zentrum Dresden-Rossendorf (HZDR) di Görlitz, in Germania, e dei Sandia National Laboratories di Albuquerque, New Mexico, USA, hanno ora sperimentato un metodo di simulazione basato sull'apprendimento automatico che sostituisce le tradizionali tecniche di simulazione della struttura elettronica.

Il loro stack software Materials Learning Algorithms (MALA) consente l’accesso a scale di lunghezza precedentemente irraggiungibili. Il lavoro è pubblicato sulla rivista npj Computational Materials.

Gli elettroni sono particelle elementari di fondamentale importanza. Le loro interazioni quantomeccaniche tra loro e con i nuclei atomici danno origine a una moltitudine di fenomeni osservati in chimica e scienza dei materiali. Comprendere e controllare la struttura elettronica della materia fornisce informazioni sulla reattività delle molecole, sulla struttura e sul trasporto di energia all'interno dei pianeti e sui meccanismi di cedimento della materia.

Le sfide scientifiche vengono sempre più affrontate attraverso la modellazione e la simulazione computazionale, sfruttando le capacità del calcolo ad alte prestazioni. Tuttavia, un ostacolo significativo al raggiungimento di simulazioni realistiche con precisione quantistica è la mancanza di una tecnica di modellazione predittiva che combini un’elevata precisione con la scalabilità su diverse scale di lunghezza e tempo.

I metodi classici di simulazione atomistica possono gestire sistemi grandi e complessi, ma la loro omissione della struttura elettronica quantistica ne limita l’applicabilità. Al contrario, i metodi di simulazione che non si basano su presupposti come la modellazione empirica e l'adattamento dei parametri (metodi dei principi primi) forniscono un'elevata fedeltà ma sono impegnativi dal punto di vista computazionale. Ad esempio, la teoria del funzionale della densità (DFT), un metodo dei principi primi ampiamente utilizzato, mostra un ridimensionamento cubico con le dimensioni del sistema, limitando così le sue capacità predittive a piccole scale.

Il team di ricercatori ha ora presentato un nuovo metodo di simulazione chiamato stack software Materials Learning Algorithms (MALA). In informatica, uno stack software è una raccolta di algoritmi e componenti software combinati per creare un'applicazione software per la risoluzione di un particolare problema.

Lenz Fiedler, un dottorato di ricerca. studente e sviluppatore chiave di MALA presso CASUS, spiega: "MALA integra l'apprendimento automatico con approcci basati sulla fisica per prevedere la struttura elettronica dei materiali. Impiega un approccio ibrido, utilizzando un metodo di apprendimento automatico consolidato chiamato deep learning per prevedere con precisione le quantità locali, integrati da algoritmi fisici per il calcolo delle quantità globali di interesse."

Lo stack software MALA prende come input la disposizione degli atomi nello spazio e genera impronte digitali note come componenti bispettro, che codificano la disposizione spaziale degli atomi attorno a un punto della griglia cartesiana. Il modello di apprendimento automatico in MALA è addestrato per prevedere la struttura elettronica basata su questo quartiere atomico. Un vantaggio significativo di MALA è la capacità del suo modello di apprendimento automatico di essere indipendente dalle dimensioni del sistema, consentendogli di essere addestrato su dati provenienti da sistemi di piccole dimensioni e implementato su qualsiasi scala.