Articolo a cura di Vincenzo PEPE
Il ventunesimo secolo si è rivelato propizio nel campo dell’Intelligenza Artificiale (IA). Passi da gigante sono stati compiuti anche nelle scienze molecolari e dei materiali. L’individuazione del catalizzatore per la conversione dell’anidride carbonica in etilene. La scoperta di materiali per la raccolta e lo stoccaggio dell’energia. La progettazione di farmaci assistita da computer. E questi sono solo alcuni dei tanti esempi…
I moderni strumenti di simulazione consentono inoltre di anticipare le proprietà di un composto con ragionevole accuratezza, prima che sia stato studiato in laboratorio. Un esempio è la teoria del funzionale della densità (DFT).
Una teoria quantistica microscopica per lo studio di sistemi a molti elettroni ed una tecnica matura per la previsione della struttura e del comportamento dei solidi. Essa ha permesso lo sviluppo di vasti database che contengono le caratteristiche di sistemi noti e ipotetici, inclusi cristalli organici e inorganici, singole molecole e leghe metalliche.
Uno dei settori dell’intelligenza artificiale che si sta evolvendo a ritmi sbalorditivi è il machine learning: esso si basa su algoritmi statistici le cui prestazioni migliorano con il continuo utilizzo. A differenza dei metodi convenzionali, basati su algoritmi hard-coded, attraverso il machine learning, che analizza un set di dati, il computer ha la capacità di determinare tutte le leggi fisiche e potenzialmente anche quelle che sono ancora sconosciute senza un input umano potendo così affrontare problemi complessi che coinvolgono ingenti spazi combinatori o processi non lineari.
La figura riporta l’evoluzione dello schema di ricerca nella chimica computazionale. Nell’approccio di prima generazione si calcolano le proprietà fisiche di una struttura in input tramite un’approssimazione dell’equazione di Schrödinger. Nell’approccio di seconda generazione, attraverso un algoritmo evolutivo un input di composizione chimica viene mappato su un output che contiene previsioni sulla struttura o sull’insieme di strutture che la combinazione di elementi potrebbe adottare. L’approccio emergente, di terza generazione, consiste nell’utilizzare tecniche di machine learning con la capacità di prevedere la composizione, la struttura e le proprietà a condizione che siano disponibili dati sufficienti e che sia utilizzato un modello appropriato.
Le fasi fondamentali per la realizzazione di un modello di machine learning efficace sono 4:
In conclusione, questa nuova generazione di scienza computazionale ha davvero il potenziale per spingere oltre i limiti il mondo scientifico.
Campo magnetico, come funziona il nuovo disco realizzato in Cina e cosa cambia con questa…
Il crescente interesse verso le rinnovabili ha prodotto cambiamenti importanti nel mercato dell’energia. L’offerta dedicata…
Le alluvioni non danno tregua alla Spagna: allerta rossa a Barcellona e nel resto della…
A partire dal prossimo gennaio i bonifici istantanei avranno una novità che renderà più facili…
Scopri i trucchetti per poter risparmiare a casa in modo rapido e sicuro. Se segui…
Scopri come riscaldare casa risparmiando con questi trucchetti semplici ed ecomici visto l'eventuale prossimo divieto…