L'apprendimento automatico risolve un problema decennale nella chimica quantistica
L'approccio privo di orbitali consente un calcolo preciso, stabile e fisicamente significativo delle energie molecolari e delle densità elettroniche
Annunci
Applicando nuovi metodi di apprendimento automatico alla ricerca sulla chimica quantistica, gli scienziati dell'Università di Heidelberg hanno fatto passi da gigante nella chimica computazionale. Hanno compiuto un importante passo avanti verso la soluzione di un dilemma decennale della chimica quantistica: il calcolo preciso e stabile delle energie molecolari e delle densità di elettroni con un approccio cosiddetto "orbital-free", che utilizza una potenza di calcolo notevolmente inferiore e consente quindi di calcolare molecole molto grandi. Nell'ambito del cluster di eccellenza STRUCTURES, due gruppi di ricerca del Centro interdisciplinare per il calcolo scientifico (IWR) hanno perfezionato un processo di calcolo a lungo ritenuto inaffidabile, in modo da ottenere risultati precisi e stabilire in modo affidabile una soluzione fisicamente significativa.
Il modo in cui gli elettroni sono distribuiti in una molecola ne determina le proprietà chimiche, dalla stabilità e reattività agli effetti biologici. Calcolare in modo affidabile questa distribuzione di elettroni e l'energia che ne deriva è una delle funzioni centrali della chimica quantistica. Questi calcoli sono alla base di molte applicazioni in cui le molecole devono essere comprese e progettate in modo specifico, come ad esempio per nuovi farmaci, batterie migliori, materiali per la conversione energetica o catalizzatori più efficienti. Tuttavia, questi calcoli sono intensivi dal punto di vista computazionale e diventano rapidamente molto elaborati. Quanto più grande diventa la molecola o quanto più numerose sono le varianti da controllare, tanto prima i processi di calcolo consolidati raggiungono i loro limiti. Il progetto "Quantum Chemistry without Orbitals" si colloca qui all'interfaccia tra chimica, fisica e ricerca sull'intelligenza artificiale.
Nella chimica quantistica, le molecole sono spesso descritte utilizzando la teoria funzionale della densità, che consente di prevedere le proprietà chimiche delle molecole senza dover calcolare la funzione d'onda quantomeccanica. La densità degli elettroni viene invece utilizzata come grandezza principale - una semplificazione che rende finalmente praticabili i calcoli. Questo approccio privo di orbitali promette calcoli particolarmente efficienti, ma finora era considerato poco utile, poiché piccole deviazioni nella densità elettronica portavano a risultati instabili o "non fisici". Con l'aiuto dell'apprendimento automatico, il metodo di Heidelberg risolve finalmente questo problema di precisione e stabilità per molte molecole organiche diverse.
Il nuovo processo, chiamato STRUCTURES25 , si basa su una rete neurale appositamente sviluppata che apprende la relazione tra densità elettronica ed energia direttamente da precisi calcoli di riferimento, catturando l'ambiente chimico di ogni singolo atomo in una rappresentazione matematicamente dettagliata. Un concetto di addestramento unico è stato fondamentale: il modello è stato addestrato non solo con densità di elettroni convergenti, ma anche con molte varianti che circondano la soluzione corretta, generate da modifiche mirate e controllate dei calcoli di riferimento sottostanti. Questo processo di calcolo è quindi in grado di trovare in modo affidabile una soluzione fisicamente significativa per le energie molecolari e le densità elettroniche anche in caso di piccole deviazioni. Rimane stabile senza "perdersi" nel calcolo, sottolineano i ricercatori di Heidelberg.
Nei test condotti su un'ampia e diversificata collezione di molecole organiche, STRUCTURES25 ha raggiunto una precisione che può competere con i calcoli di riferimento consolidati, dimostrando per la prima volta una convergenza stabile utilizzando un approccio privo di orbitali. Le prestazioni del metodo sono state dimostrate non solo su piccoli esempi, ma anche su molecole "simili a farmaci" di dimensioni considerevoli. I primi confronti sui tempi di esecuzione dimostrano che il processo di calcolo può scalare meglio con l'aumentare delle dimensioni della molecola e quindi aumentare la velocità di calcolo. Calcoli precedentemente considerati troppo elaborati sono ora alla portata di tutti.
"La teoria funzionale della densità priva di orbitali prometteva da tempo una maggiore velocità di calcolo, ma non a scapito della fisica", afferma il Prof. Dr. Fred Hamprecht, che dirige il gruppo di ricerca "Intelligenza Artificiale Scientifica" dell'IWR. "Con STRUCTURES25 dimostriamo per la prima volta che il calcolo può includere entrambe le cose: energie chimicamente precise e un'ottimizzazione stabile e pratica della densità di elettroni". Il Prof. Dr. Andreas Dreuw, responsabile del gruppo di ricerca "Chimica teorica e computazionale" dell'IWR, aggiunge: "L'ottimizzazione non è più instabile e quindi rappresenta un importante passo avanti per previsioni notevolmente più rapide e di alta precisione. Ora sono a portata di mano simulazioni che i processi classici potevano a malapena sfiorare, come nel caso in cui si debbano analizzare molte configurazioni o molecole molto grandi".
Alla base del lavoro c'è la stretta collaborazione interdisciplinare dei gruppi di ricerca all'interno del Cluster di eccellenza "STRUCTURES: A Unifying Approach to Emergent Phenomena in the Physical World, Mathematics, and Complex Data" dell'Università di Heidelberg. Qui ricercatori di varie discipline studiano come emergono le strutture, come possono essere rilevate in grandi insiemi di dati e i vantaggi che offrono alla scienza e alla tecnologia. Oltre al sostegno fornito dal Cluster of Excellence, il finanziamento è arrivato anche dal programma Wildcard della Carl-Zeiss-Stiftung, che sostiene progetti particolarmente innovativi e audaci. I risultati della ricerca sono stati pubblicati sul "Journal of the American Chemical Society".
Nota: questo articolo è stato tradotto utilizzando un sistema informatico senza intervento umano. LUMITOS offre queste traduzioni automatiche per presentare una gamma più ampia di notizie attuali. Poiché questo articolo è stato tradotto con traduzione automatica, è possibile che contenga errori di vocabolario, sintassi o grammatica. L'articolo originale in Inglese può essere trovato qui.
Pubblicazione originale
Roman Remme, Tobias Kaczun, Tim Ebert, Christof A. Gehrig, Dominik Geng, Gerrit Gerhartz, Marc K. Ickler, Manuel V. Klockow, Peter Lippmann, Johannes S. Schmidt, Simon Wagner, Andreas Dreuw, Fred A. Hamprecht; "Stable and Accurate Orbital-Free Density Functional Theory Powered by Machine Learning"; Journal of the American Chemical Society, Volume 147, 2025-8-1
Altre notizie dal dipartimento scienza
