Un’intelligenza artificiale alla conquista della chimica quantistica

L’intelligenza artificiale ha da sempre svolto un ruolo cruciale nei vari campi di applicazione, rivoluzionando settori che spaziano da quello scientifico a quello tecnologico. Gli studiosi del team della Freie Universität Berlin, guidati dal professore Frank Noé, hanno sviluppato un’intelligenza artificiale per il calcolo dello stato fondamentale di uno dei principali problemi della chimica quantistica, l’equazione di Schrödinger.

L’importanza dell’equazione di Schrödinger

Quella di Schrödinger è un’equazione alle derivate parziali la cui soluzione è data proprio dalla funzione d’onda, la quale è dipendente sia dal tempo che dallo spazio.

L’importanza di tale equazione risiede nel fatto che la sua soluzione descrive il moto di una particella: sostanzialmente gioca il ruolo delle leggi di Newton nella meccanica classica. Essendo la funzione d’onda una funzione complessa definita dalle variabili reali x, y, z e dal tempo t, è molto difficile andare ad individuare il modo in cui gli elettroni si influenzano tra loro. L’equazione di Schrödinger predice dunque il comportamento futuro di un sistema dinamico.

La visione rivoluzionaria

L’interpretazione probabilistica è in forte contrasto con la fisica deterministica dove, conoscendo la posizione e la velocità iniziali, risolvendo l’equazione del moto di una particella si ottengono, per ogni istante di tempo t, la posizione e l’energia della particella stessa.

La teoria probabilistica della funzione d’onda è nota come “interpretazione di Copenaghen”, dovuta alla formulazione di Bohr. All’epoca della pubblicazione dell’equazione di Schrödinger, nel 1926, non tutti i fisici concordavano con questa teoria, tra questi Einstein che disse:

“Dio non gioca a dadi con l’universo”.

I nuovi approcci

La chimica quantistica, basandosi in maniera esclusiva sulla disposizione degli atomi nello spazio, cerca di svolgere previsioni sulle proprietà chimiche e fisiche delle molecole, in modo da ridurre al minimo le risorse e le tempistiche di laboratorio.

Il team dell’Università di Berlino ha sviluppato, nel dettaglio, un metodo di apprendimento profondo in modo da ottenere una combinazione di efficacia computazionale e precisione, metodo improntato sull’intelligenza artificiale.

Generalmente, alcuni approcci della chimica quantistica si concentrano sulla determinazione, mediante approssimazione, dell’energia di una singola molecola. Tutti i metodi tradizionali mostrano l’impossibilità di estendere il ragionamento a più di pochi semplici atomi. Il nuovo metodo innovativo potrebbe avere un impatto significativo sulle sorti della chimica quantistica.

Alla conquista della chimica quantistica

Il dott. Jan Hermann, progettista delle caratteristiche chiave dell’approccio sviluppato, ha affermato di aver superato il “compromesso tra accuratezza e costo computazionale”, sfruttando ed implementando il Quantum Monte Carlo. Il QMC è una famiglia di algoritmi impiegata per le simulazioni di sistemi quantici la quale permette una diretta rappresentazione degli effetti delle repulsioni tra elettroni nella funzione d’onda, la cui incertezza statistica è inversamente proporzionale al tempo della simulazione: maggiore è il tempo di lavoro, minora sarà l’incertezza.

Questo innovativo approccio guarda ad una nuova rappresentazione della funzione d’onda degli elettroni. Tale rete neurale si distacca totalmente dai classici metodi che prevedono di comporre la funzione d’onda guardando ai componenti matematici relativamente semplici andando ad apprendere schemi più complessi di come gli elettroni sono posizionati intorno al nucleo. Di fondamentale importanza è stata l’implementazione di un’architettura basata sul Principio di esclusione di Pauli, principio secondo il quale, all’atto dello scambio tra due elettroni, le loro funzioni d’onda cambiano di segno, essendo queste dotate di una peculiare caratteristica, ovvero l’alta asimmetria.

Proprio sulla scia di questo principio, il nuovo approccio sviluppato è stato soprannominato “PauliNet”. Sostanzialmente, anziché lasciare che la rete neurale apprenda e capisca le proprietà fisiche fondamentali di una funzione d’onda, queste vengono direttamente agganciate alla rete neurale più profonda. L’approccio PauliNet resta pur sempre ancora una “ricerca” ma sicuramente apre possibilità future ancora non contemplate.

L’applicazione industriale dovrà attendere ma per ora ci lasceremo affascinare dall’avanguardia del pensiero dell’uomo.

Articolo a cura di Marica Della Vecchia.