Un team di ricercatori del MIT e di altre istituzioni ha sviluppato un nuovo metodo basato sull’intelligenza artificiale in grado di prevedere le proprietà termiche dei materiali fino a 1000 volte più velocemente rispetto alle tecniche AI esistenti, con una precisione paragonabile o addirittura superiore.
La sfida della previsione delle proprietà termiche
Le proprietà termiche dei materiali sono estremamente difficili da modellare a causa dei fononi, particelle subatomiche che trasportano il calore. In particolare, la relazione di dispersione dei fononi, che descrive come l’energia e il momento dei fononi si relazionano nella struttura cristallina di un materiale, è un parametro cruciale ma molto complesso da calcolare.
L’approccio innovativo dei ricercatori
Per superare queste limitazioni, il team guidato dal professor Mingda Li del MIT ha ripensato il problema dalle fondamenta, sviluppando un nuovo framework di machine learning chiamato Virtual Node Graph Neural Network (VGNN).
Come funziona il VGNN
Il VGNN si basa sull’aggiunta di nodi virtuali flessibili alla struttura cristallina fissa del materiale per rappresentare i fononi. Questi nodi virtuali consentono di:
- Aumentare la flessibilità del modello
- Variare la dimensione dell’output
- Saltare molti calcoli complessi
Ciò rende il metodo molto più efficiente rispetto alle reti neurali grafiche standard (GNN) utilizzate finora.
I vantaggi del nuovo metodo
Rispetto alle tecniche tradizionali non basate sull’AI, il VGNN potrebbe essere fino a 1 milione di volte più veloce nel calcolare le relazioni di dispersione dei fononi. Con un semplice PC, è in grado di elaborare i dati per migliaia di materiali in pochi secondi.
Inoltre, il VGNN ha dimostrato una maggiore precisione nella previsione della capacità termica dei materiali, con errori di previsione ridotti fino a due ordini di grandezza in alcuni casi.
Potenziali applicazioni
Questa innovativa tecnica potrebbe avere numerose applicazioni pratiche, tra cui:
- Progettazione di sistemi di generazione di energia più efficienti
- Sviluppo di dispositivi microelettronici più veloci
- Ricerca di materiali con proprietà termiche superiori per lo stoccaggio di energia e la superconduttività
Oltre i fononi: un approccio versatile
La tecnica dei nodi virtuali non è limitata allo studio dei fononi, ma potrebbe essere applicata per prevedere altre proprietà complesse dei materiali, come quelle ottiche e magnetiche.
Il professor Li sottolinea che “i nodi del grafo possono rappresentare qualsiasi cosa, non solo atomi. I nodi virtuali sono un approccio molto generico che si potrebbe utilizzare per prevedere molte quantità ad alta dimensionalità”.
Prospettive future
Il team di ricerca intende perfezionare ulteriormente la tecnica, aumentando la sensibilità dei nodi virtuali per catturare piccoli cambiamenti che possono influenzare la struttura dei fononi.
Questo lavoro apre nuove prospettive per la modellazione rapida e accurata delle proprietà dei materiali, con potenziali ricadute in numerosi settori tecnologici.
Se sei interessato ad approfondire le potenzialità dell’intelligenza artificiale e del prompt engineering, ti consiglio di dare un’occhiata al nostro Corso di Programmazione Semantica 2.0. Imparerai tecniche avanzate per ottenere il massimo dagli LLM come ChatGPT, competenze sempre più richieste in ambito tecnologico e scientifico.
Per rimanere aggiornato sulle ultime novità in campo AI, non dimenticare di iscriverti alla nostra newsletter!
