Un nuovo metodo AI cattura le interazioni atomiche a lungo raggio nelle molecole complesse
Google DeepMind, BIFOLD e TU Berlin affrontano un collo di bottiglia nella simulazione atomistica
Annunci
I ricercatori di Google DeepMind di Berlino, BIFOLD e dell'Università Tecnica di Berlino hanno introdotto un nuovo metodo di apprendimento automatico che consente di rappresentare in modo più efficiente le interazioni atomiche globali nei sistemi chimici. Ciò potrebbe consentire in futuro una simulazione più accurata dei processi chimici e della scienza dei materiali, accelerando potenzialmente lo sviluppo di nuovi farmaci, batterie più efficienti e materiali più sostenibili. Il lavoro, intitolato "Machine Learning Global Atomic Representations with Euclidean Fast Attention", è stato pubblicato su Nature Machine Intelligence nel marzo 2026.
Per capire esattamente come funziona, ad esempio, un farmaco, gli scienziati devono calcolare con precisione come gli atomi delle molecole si muovono e interagiscono tra loro. Tali simulazioni sono alla base del moderno sviluppo di farmaci, nonché della progettazione di nuovi materiali e catalizzatori più efficienti. Tuttavia, molti metodi computazionali raggiungono i loro limiti quando si tratta di molecole più grandi, contenenti centinaia o migliaia di atomi, a causa della loro complessità. La modellazione di sistemi atomistici è impegnativa perché ogni atomo subisce simultaneamente le forze di molti altri atomi, anche lontani, e non solo dei suoi immediati vicini. Ne risulta un sistema a molti corpi estremamente complesso, in cui anche piccoli cambiamenti in una posizione possono influenzare il comportamento dell'intero sistema.
La nuova rappresentazione di queste interazioni è chiamata attenzione veloce euclidea (EFA).
Un ruolo centrale in questo processo è svolto da un concetto fondamentale del moderno apprendimento automatico, noto come autoattenzione. Questo concetto consente ai modelli di valutare l'importanza delle singole informazioni nel contesto di tutte le altre, cogliendo così le relazioni a lungo raggio. Tuttavia, all'aumentare del numero di atomi, il numero di interazioni rilevanti cresce approssimativamente con il quadrato del numero di atomi. Ciò rende l'uso dell'autoattenzione per la modellazione precisa dei sistemi fisici estremamente costoso dal punto di vista computazionale e limita le dimensioni delle strutture atomistiche che possono essere simulate.
È proprio qui che entra in gioco il nuovo metodo del team di ricerca. Gli scienziati hanno sviluppato una nuova rappresentazione a scala lineare di queste interazioni, chiamata Euclidean Fast Attention (EFA). È stata progettata specificamente per i dati nello spazio euclideo, dove si applicano le regole della geometria classica, ad esempio gli atomi nelle molecole e nei materiali, le cui posizioni e orientamenti relativi sono fondamentali per ottenere previsioni accurate. Un aspetto chiave dell'approccio è che le informazioni spaziali possono essere rappresentate in modo efficiente senza violare importanti simmetrie fisiche. Nei loro esperimenti, i ricercatori dimostrano che l'EFA cattura efficacemente diversi effetti a lungo raggio e può descrivere interazioni chimiche per le quali i campi di forza convenzionali di apprendimento automatico potrebbero produrre risultati errati. Ciò consente di catturare in modo affidabile le interazioni su grandi distanze, richiedendo uno sforzo computazionale relativamente basso.
"Il nostro approccio consente un nuovo importante passo avanti verso una modellazione più accurata dal punto di vista quantomeccanico dei sistemi a molti corpi, utilizzando nuovi metodi di apprendimento profondo", afferma il Prof. Klaus-Robert Müller, co-direttore di BIFOLD e professore presso l'Università Tecnica di Berlino.
Il lavoro affronta quindi una questione chiave nella modellazione di sistemi a molti corpi in chimica e fisica: come si possono incorporare informazioni strutturali globali nei modelli atomistici senza sacrificare l'efficienza computazionale necessaria per sistemi di grandi dimensioni? Poiché il metodo è stato progettato specificamente per lavorare in modo efficiente con molecole di grandi dimensioni, in futuro potrà essere applicato anche a sistemi particolarmente impegnativi, come materiali grandi o complessi. Gli autori considerano l'EFA un approccio promettente per rendere i metodi di apprendimento automatico più robusti e più efficienti per le simulazioni chimiche e di scienza dei materiali più impegnative.
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
Altre notizie dal dipartimento scienza
