I ricercatori del MIT hanno sviluppato SCIGEN, un metodo che consente di guidare i modelli di intelligenza artificiale per creare materiali con proprietà esotiche per applicazioni come il calcolo quantistico.
Gli ingegneri del MIT hanno sviluppato una tecnica che consente ai modelli di materiali generativi più diffusi di creare materiali quantistici promettenti seguendo specifiche regole di progettazione. Le regole, o vincoli, guidano i modelli per creare materiali con strutture uniche che danno origine a proprietà quantistiche. I ricercatori hanno applicato la tecnica per generare milioni di materiali candidati costituiti da strutture reticolari geometriche associate a proprietà quantistiche. Da questo pool, hanno sintetizzato due materiali reali con caratteristiche magnetiche esotiche.
Un codice informatico per mantenere le regole strutturali dei materiali
Le proprietà di un materiale sono determinate dalla sua struttura, e i materiali quantistici non fanno eccezione. Alcune strutture atomiche hanno maggiori probabilità di dare origine a proprietà quantistiche esotiche rispetto ad altre. Per esempio, i reticoli quadrati possono fungere da piattaforma per superconduttori ad alta temperatura, mentre altre forme note come reticoli di Kagome e Lieb possono supportare la creazione di materiali che potrebbero essere utili per il calcolo quantistico.
Per aiutare una popolare classe di modelli generativi, noti come modelli di diffusione, a produrre materiali conformi a particolari schemi geometrici, i ricercatori hanno creato SCIGEN (Structural Constraint Integration in GENerative model), un codice informatico che garantisce che i modelli di diffusione aderiscano ai vincoli definiti dall’utente in ogni fase di generazione iterativa. Con SCIGEN, gli utenti possono fornire a qualsiasi modello di diffusione di intelligenza artificiale generativa regole strutturali geometriche da seguire durante la generazione dei materiali.
I modelli di diffusione di intelligenza artificiale funzionano campionando dal loro set di dati di addestramento per generare strutture che riflettono la distribuzione delle strutture presenti nel set di dati e SCIGEN blocca le generazioni che non si allineano alle regole strutturali: “Volevamo scoprire nuovi materiali che potessero avere un enorme impatto potenziale incorporando queste strutture che sono note per dare origine a proprietà quantistiche. Sappiamo già che questi materiali con schemi geometrici specifici sono interessanti, quindi è naturale iniziare da loro” afferma Ryotaro Okabe, primo autore dell’articolo.
Secondo Steve May, docente della Drexel University, non coinvolto nella ricerca: “Questo lavoro presenta un nuovo strumento, sfruttando l’apprendimento automatico, in grado di prevedere quali materiali presenteranno elementi specifici in uno schema geometrico desiderato. Questo dovrebbe accelerare lo sviluppo di materiali precedentemente inesplorati per applicazioni nelle tecnologie elettroniche, magnetiche o ottiche di prossima generazione”.
I ricercatori sottolineano che la sperimentazione è ancora fondamentale per valutare se i materiali generati dall’intelligenza artificiale possano essere sintetizzati e come le loro proprietà effettive si confrontino con le previsioni del modello. Il lavoro futuro su SCIGEN potrebbe incorporare ulteriori regole di progettazione nei modelli generativi, inclusi vincoli chimici e funzionali: “Chi vuole cambiare il mondo è più interessato alle proprietà dei materiali che alla loro stabilità e struttura. Con il nostro approccio, la percentuale di materiali stabili diminuisce, ma apre le porte alla generazione di un’intera gamma di materiali promettenti” conclude Okabe.
Il lavoro è stato supportato, in parte, dal Dipartimento dell’Energia degli Stati Uniti, dal National Energy Research Scientific Computing Center, dalla National Science Foundation e dall’Oak Ridge National Laboratory.
Foto Jose-Luis Olivares, MIT; iStock
