Una rete neurale per risolvere l'equazione di Schrödinger e predire il comportamento delle molecole

Un gruppo di ricerca delle Freie Universität Berlin ha presentato PauliNet, una rete neurale sviluppata per risolvere l'equazione di Schrödinger per molecole aventi fino a 30 elettroni in maniera molto più efficiente rispetto ai metodi analitici tradizionali. Si tratta di un importante passo in avanti per la chimica quantistica, che potrebbe portare in futuro a predire meglio le proprietà dei composti chimici a partire dalla loro struttura atomica e, pertanto, a sviluppare farmaci e materiali meglio in grado di rispondere alle specifiche esigenze.

Una rete neurale per risolvere l'equazione di Schrödinger

L'unico metodo a disposizione finora per comprendere le proprietà di specifiche molecole è stato l'uso degli esperimenti. La chimica quantistica si prefigge, invece, lo scopo di sviluppare metodi in grado di predire le proprietà delle molecole basandosi solo sulla loro struttura atomica e sub-atomica, così da evitare del tutto la fase sperimentale il cui problema più grande è il costo in termini economici e temporali. In teoria è possibile utilizzare l'equazione di Schrödinger per effettuare questa predizione ma, si sa, la teoria e la pratica sono spesso lontane: finora non è stato possibile utilizzare l'equazione al di fuori di simulazioni sull'idrogeno, l'atomo più semplice che ci sia (dotato di un protone e di un elettrone, con gli isotopi deuterio e trizio che aggiungono rispettivamente uno e due neutroni).

Questa limitazione è dettata dall'estrema complessità dei calcoli a causa della quantità esponenziale di variabili di cui tenere conto, cosicché non è possibile con gli strumenti attuali ottenere risultati significativi per molecole di alcuna rilevanza: anche le molecole più semplici, come la nicotina, sono sufficientemente complesse da essere intrattabili con i metodi analitici tradizionali. Ciò avviene perché la funzione d'onda delle molecole, che rappresenta il loro comportamento e le loro caratteristiche, prende in considerazione un numero di variabili sempre più elevato al crescere della complessità: se nell'idrogeno bisogna considerare il comportamento di un solo elettrone, nell'acqua è necessario considerare il comportamento degli elettroni nei due atomi di idrogeno e in quello di ossigeno non solo all'interno dello stesso atomo, ma anche nelle interazioni tra atomi che rendono possibile la creazione della molecola. Per questo motivo spesso non si tenta nemmeno di calcolare le funzioni d'onda specifiche, ma ci si limita a considerare i livelli energetici complessivi di una molecola, limitando così l'accuratezza delle previsioni.

Il nuovo approccio sviluppato dal gruppo berlinese prevede invece l'uso del cosiddetto "metodo Monte Carlo" applicato all'ambito quantistico: si tratta, in breve, di un metodo che fa uso del caso per trovare soluzioni a problemi deterministici. La rete neurale è stata addestrata usando proprio tale metodo e in questo modo viene creata una base di partenza per una soluzione: quello che in gergo si chiama un ansatz. In base all'addestramento, insomma, PauliNet "indovina" una possibile soluzione e prova successivamente che fosse corretta così da velocizzare notevolmente i calcoli, al posto dei metodi analitici tradizionali che effettuano tutti i calcoli.

Come riportato da SciTechDaily, Jan Hermann, uno degli autori della ricerca, ha affermato che "superare il solito compromesso tra accuratezza e costo computazionale è il più grande traguardo della chimica quantistica. Finora, l'eccezione più popolare in questo ambito è la teoria di densità funzionale, che è estremamente efficiente dal punto di vista dei costi. Crediamo che il "Monte Carlo quantistico", l'approccio che stiamo proponendo, potrebbe avere lo stesso successo, se non di più. Offre un'accuratezza senza precedenti a un costo computazionale ancora accettabile."

Uno dei motivi per cui l'ansatz di PauliNet funziona è che il gruppo di ricerca ha integrato varie proprietà fisiche all'interno della rete, tra cui il principio di esclusione di Pauli da cui deriva il nome. In questo modo l'IA riesce a ottenere risultati più significativi senza dover apprendere le regole dall'osservazione dei dati, cosa che rende anche l'addestramento più veloce ed economico.

Questo è il tipo di simulazione che si spera possa essere velocizzato dall'uso dei computer quantistici: visto che il loro funzionamento è intrinsecamente più vicino ai fenomeni che bisogna simulare, la speranza è che l'efficacia sia maggiore rispetto ai computer tradizionali e che sia così possibile effettuare simulazioni di portata più vasta e di utilità maggiore. Già ora ci si sta muovendo in questa direzione, con ricerche sull'uso dei computer quantistici nella retrosintesi delle molecole e nell'elaborazione di dati per la ricerca di nuovi farmaci.

Al momento non si parla ancora di risultati applicabili al mondo industriale: sono di fatto i primi passi nell'uso di nuove tecniche e tecnologie nell'approcciare un problema vecchio di quasi un secolo. I risultati sono però molto promettenti e potrebbero dare risultati interessanti nel corso dei prossimi anni. Come sempre avviene, la ricerca di base si nutre di scoperte di questo genere, dato che una scoperta in un ambito può portarne di nuove in altri, e questa è la speranza anche in questo caso.

Lo studio è disponibile su Nature Chemistry.