Risolvere alcune delle principali sfide del 21° secolo, come la produzione di elettricità pulita o lo sviluppo di superconduttori ad alta temperatura, richiederà la progettazione di nuovi materiali con proprietà specifiche. Per fare ciò su un computer è necessaria la simulazione degli elettroni, le particelle subatomiche che governano il modo in cui gli atomi si legano per formare le molecole e sono anche responsabili del flusso di elettricità nei solidi. Nonostante decenni di sforzi e numerosi progressi significativi, la modellazione accurata del comportamento quantomeccanico degli elettroni rimane una sfida aperta. Ora, nell’a carta (Apri il PDF di accesso) pubblicato su Science, proponiamo DM21, una rete neurale che raggiunge una precisione all’avanguardia su gran parte della chimica. Per accelerare il progresso scientifico, stiamo anche rendendo open source i nostri codice per essere utilizzato da chiunque.
Quasi un secolo fa, Erwin Schrödinger propose la sua famosa equazione che governano il comportamento delle particelle quantomeccaniche. Applicare questa equazione agli elettroni nelle molecole è impegnativo perché tutti gli elettroni si respingono a vicenda. Ciò sembrerebbe richiedere il monitoraggio della probabilità della posizione di ciascun elettrone, un compito notevolmente complesso anche per un piccolo numero di elettroni. Un importante passo avanti si ebbe negli anni ’60, quando Pierre Hohenberg e Walter Kohn si resero conto che non era necessario seguire ogni elettrone individualmente. Invece, conoscendo la probabilità di Qualunque che l’elettrone si trovi in ciascuna posizione (cioè la densità elettronica) è sufficiente per calcolare esattamente tutte le interazioni. Kohn ha ricevuto una media di battuta di Premio Nobel per la chimica dopo averlo dimostrato, fondando così la Teoria del Funzionale della Densità (DFT).
Sebbene il DFT dimostri che esiste una mappatura, per più di 50 anni la natura esatta di questa mappatura tra densità elettronica ed energia di interazione – il cosiddetto funzionale della densità – è rimasta sconosciuta e deve essere approssimata. Nonostante la DFT comporti intrinsecamente un livello di approssimazione, è l’unico metodo pratico per studiare come e perché la materia si comporta in un certo modo a livello microscopico ed è quindi diventata una delle tecniche più utilizzate in tutta la scienza. Nel corso degli anni, i ricercatori hanno proposto molte approssimazioni al funzionale esatto con diversi livelli di accuratezza. Nonostante la loro popolarità, tutte queste approssimazioni soffrono di errori sistematici perché non riescono a catturare alcune proprietà matematiche cruciali del funzionale esatto.
Esprimendo il funzionale come una rete neurale e incorporando queste esatte proprietà nei dati di addestramento, apprendiamo funzionali esenti da importanti errori sistematici, con il risultato di una migliore descrizione di un’ampia classe di reazioni chimiche.
Affrontiamo specificamente due problemi di vecchia data con i funzionali tradizionali:
- L’errore di delocalizzazione: In un calcolo DFT, il funzionale determina la densità di carica di una molecola trovando la configurazione degli elettroni che minimizza l’energia. Pertanto, errori nel funzionale possono portare ad errori nella densità elettronica calcolata. La maggior parte delle approssimazioni funzionali della densità esistenti preferiscono densità elettroniche che sono irrealisticamente distribuite su diversi atomi o molecole piuttosto che essere correttamente localizzate attorno a una singola molecola o atomo (vedere Fig 2).
- Rottura della simmetria dello spin: Nel descrivere la rottura dei legami chimici, i funzionali esistenti tendono a preferire irrealisticamente configurazioni in cui una simmetria fondamentale nota come simmetria di spin è rotta. Poiché le simmetrie svolgono un ruolo vitale nella nostra comprensione della fisica e della chimica, questa rottura artificiale della simmetria rivela una grave carenza nei funzionali esistenti.
In linea di principio, qualsiasi processo chimico-fisico che implica movimento di carica è soggetto a soffrire di errori di delocalizzazione, e qualsiasi processo che comporta la rottura di legami è soggetto a soffrire di rottura della simmetria di spin. Il movimento della carica e la rottura dei legami sono fondamentali per molte importanti applicazioni tecnologiche, ma questi problemi possono anche portare a un massiccio fallimento qualitativo dei funzionali nel descrivere le molecole più semplici, come l’idrogeno. Poiché la DFT è una tecnologia così cruciale, è importante progettare funzionali che ottengano correttamente questa semplice chimica prima di chiedere loro di spiegare interazioni molecolari molto più complesse, come quelle che possono verificarsi in una batteria o in una cella solare.
Queste sfide di lunga data sono entrambe legate al modo in cui si comportano i funzionali quando si trovano di fronte a un sistema che mostra il “carattere dell’elettrone frazionario”. Utilizzando una rete neurale per rappresentare il funzionale e adattando il nostro set di dati di addestramento per catturare il comportamento degli elettroni frazionari previsto per il funzionale esatto, abbiamo scoperto che potevamo risolvere i problemi di delocalizzazione e di rottura della simmetria di spin. Il nostro funzionale si è dimostrato estremamente accurato anche su benchmark ampi e su larga scala, suggerendo che questo approccio basato sui dati può catturare aspetti del funzionale esatto che finora sono stati sfuggenti.
Per anni, le simulazioni al computer hanno svolto un ruolo centrale nell’ingegneria moderna, consentendo di fornire risposte affidabili a domande come “resterà questo ponte?” a “questo razzo riuscirà ad arrivare nello spazio?” Mentre la tecnologia si rivolge sempre più alla scala quantistica per esplorare domande su materiali, farmaci e catalizzatori, compresi quelli che non abbiamo mai visto o nemmeno immaginato, gli spettacoli di deep learning promettono di simulare accuratamente la materia a questo livello di meccanica quantistica.
Fonte: deepmind.google
