{"id":2597,"date":"2023-09-18T13:40:51","date_gmt":"2023-09-18T13:40:51","guid":{"rendered":"https:\/\/internationalworldgroup.it\/?p=2597"},"modified":"2023-09-18T13:40:53","modified_gmt":"2023-09-18T13:40:53","slug":"lintelligenza-artificiale-e-i-progressi-della-chimica-1","status":"publish","type":"post","link":"https:\/\/internationalworldgroup.it\/index.php\/2023\/09\/18\/lintelligenza-artificiale-e-i-progressi-della-chimica-1\/","title":{"rendered":"L\u2019intelligenza artificiale e i progressi della chimica. 1"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Con l\u2019avvento della tecnologia dell\u2019intelligenza artificiale, nel campo della chimica, i metodi tradizionali basati su esperimenti e modelli fisici vengono gradualmente integrati con paradigmi di machine learning basati sui dati. Sono sviluppate sempre pi\u00f9 rappresentazioni di dati per l\u2019elaborazione informatica, che vengono costantemente adattate a modelli statistici che sono principalmente generativi.<br>Anche se l\u2019ingegneria, la finanza e il business trarranno grandi benefici dai nuovi algoritmi, i vantaggi non derivano solo dagli algoritmi. L\u2019informatica su larga scala \u00e8 parte integrante degli strumenti della scienza fisica da decenni e alcuni recenti progressi nel campo dell\u2019intelligenza artificiale hanno iniziato a cambiare il modo in cui vengono effettuate le scoperte scientifiche.<br>C\u2019\u00e8 grande entusiasmo per i risultati eccezionali ottenuti nelle scienze fisiche, come l\u2019uso dell\u2019apprendimento automatico per riprodurre immagini di buchi neri o il contributo di AlphaFold, un programma di intelligenza artificiale sviluppato da DeepMind (Alphabet\/Google) per predire la struttura tridimensionale delle proteine.<br>Uno degli obiettivi principali della chimica \u00e8 comprendere la materia, le sue propriet\u00e0 e i cambiamenti che pu\u00f2 subire. Ad esempio, quando cerchiamo nuovi superconduttori, vaccini o qualsiasi altro materiale con le propriet\u00e0 che desideriamo, ci rivolgiamo alla disciplina della chimica.<br>Tradizionalmente, pensiamo che la chimica venga praticata in laboratori con provette, beute (recipienti generalmente graduati, con base tronco-conica e collo cilindrico) e bruciatori a gas. Per\u00f2 negli ultimi anni ha anche beneficiato degli sviluppi nel campo dell\u2019informatica e della meccanica quantistica, entrambi diventati importanti a met\u00e0 del sec. XX secolo. Le prime applicazioni includono l\u2019uso dei computer per risolvere calcoli di formule basate sulla fisica; o combinando la chimica teorica con la programmazione informatica, si \u00e8 stati in grado di simulare (anche se tutt\u2019altro che perfettamente) sistemi chimici. Alla fine, questo lavoro si \u00e8 sviluppato nel sottogruppo ora noto come chimica computazionale. Questo settore ha iniziato a svilupparsi negli anni Settanta e a questo proposito sono stati assegnati i premi Nobel nel 1998 al britannico John A. Pople (per il suo sviluppo di metodi computazionali in chimica quantistica: metodo Pariser-Parr-Pople), e nel 2013 all\u2019austriaco Martin Karplus, al sudafricano Michael Levitt, e all\u2019israeliano Arieh Warshel per lo sviluppo di modelli multiscala per sistemi chimici complessi.<br>Anche cos\u00ec, sebbene la chimica computazionale abbia ottenuto un crescente riconoscimento negli ultimi decenni, \u00e8 molto meno importante degli esperimenti condotti in laboratorio, che rappresentano la pietra angolare della scoperta.<br>Per\u00f2, con gli attuali progressi nell\u2019intelligenza artificiale, nelle tecnologie incentrate sui dati e in loro quantit\u00e0 sempre crescenti, potremmo assistere a un cambiamento in cui i metodi computazionali vengono utilizzati non solo per assistere gli esperimenti di laboratorio, ma anche per guidarli.<br>Quindi, come fa l\u2019intelligenza artificiale a realizzare questa trasformazione? Uno sviluppo particolare \u00e8 l\u2019applicazione dell\u2019apprendimento automatico alla scoperta dei materiali e alla progettazione molecolare, due problemi fondamentali in chimica.<br>Nei metodi tradizionali, la progettazione delle molecole \u00e8 approssimativamente divisa in diverse fasi. \u00c8 importante notare che ogni fase pu\u00f2 richiedere diversi anni e molte risorse, ed il successo non \u00e8 affatto garantito. Le fasi della scoperta della sostanza chimica sono: sintesi, isolamento e test, convalida, approvazione e commercializzazione.<br>La fase di scoperta si basa su quadri teorici sviluppati nel corso dei secoli per guidare la progettazione molecolare. Quando si cercano per\u00f2 materiali \u201cutili\u201d (es. gel di petrolio [vaselina], politetrafluoroetilene [teflon], penicillina, ecc.) bisogna ricordare che molti di essi provengono da composti comunemente presenti in natura. Inoltre, l\u2019utilit\u00e0 di questi composti spesso viene scoperta solo a posteriori. Al contrario, una ricerca mirata \u00e8 un\u2019impresa che richiede pi\u00f9 tempo e risorse (e anche in questo caso potrebbe essere necessario utilizzare composti noti \u201cutili\u201d come punto di partenza). Per dare un\u2019idea al lettore, lo spazio chimico farmacologicamente attivo (cio\u00e8 il numero di molecole) \u00e8 stato stimato in 1060! Anche prima delle fasi di test e dimensionamento, la ricerca manuale in uno spazio di questo tipo pu\u00f2 richiedere molto tempo e risorse. Per cui come pu\u00f2 l\u2019intelligenza artificiale entrare in tutto questo e accelerare la scoperta della sostanza chimica?<br>Innanzitutto, l\u2019apprendimento automatico migliora i metodi esistenti di simulazione degli ambienti chimici. Abbiamo gi\u00e0 accennato al fatto che la chimica computazionale ci consente di evitare parzialmente gli esperimenti di laboratorio. Tuttavia, i calcoli di chimica computazionale che simulano i processi quantomeccanici sono scarsi sia in termini di costi computazionali che di accuratezza delle simulazioni chimiche.<br>Un problema centrale nella chimica computazionale \u00e8 risolvere l\u2019equazione del fisico Erwin Schr\u00f6dinger (1887-1961) del 1926. Lo scienziato descrisse il comportamento di un elettrone orbitante attorno al nucleo come quello di un\u2019onda stazionaria; propose, quindi, un\u2019equazione, detta equazione d\u2019onda con la quale rappresentare l\u2019onda associata all\u2019elettrone. A questo proposito l\u2019equazione \u00e8 per molecole complesse, ovvero, date le posizioni di un insieme di nuclei e il numero totale di elettroni, vanno calcolate le propriet\u00e0 di interesse. Soluzioni esatte sono possibili solo per sistemi a singolo elettrone, mentre per gli altri sistemi dobbiamo fare affidamento su approssimazioni \u201csufficientemente buone\u201d. Inoltre, molti metodi comuni per approssimare l\u2019equazione di Schr\u00f6dinger scalano in modo esponenziale, rendendo difficili da risolvere le soluzioni forzate. Nel corso del tempo sono stati sviluppati molti metodi per velocizzare i calcoli senza sacrificare sin troppa precisione. Tuttavia, anche alcuni metodi \u201cpi\u00f9 economici\u201d possono causare colli di bottiglia a livello computazionale.<br>Un modo in cui l\u2019intelligenza artificiale pu\u00f2 accelerare questi calcoli \u00e8 combinandoli con l\u2019apprendimento automatico. Un altro approccio ignora completamente la modellazione dei processi fisici mappando direttamente le rappresentazioni molecolari sulle propriet\u00e0 desiderate. Entrambi i metodi consentono ai chimici di esaminare in modo pi\u00f9 efficiente i database per varie propriet\u00e0, come la carica atomica, l\u2019energia di ionizzazione, ecc.<br>Pur se calcoli pi\u00f9 rapidi rappresentano un miglioramento, non risolvono il fatto che siamo ancora limitati ai composti conosciuti, che rappresentano solo una piccola parte dello spazio chimico attivo. Dobbiamo ancora specificare manualmente le molecole che vogliamo analizzare. Come possiamo invertire questo paradigma e progettare un algoritmo per cercare nello spazio chimico e trovare sostanze candidate adatte? La risposta potrebbe risiedere nell\u2019applicazione di modelli generativi ai problemi di scoperta molecolare.<br>Ma prima di affrontare questo argomento, vale la pena parlare di come rappresentare numericamente le strutture chimiche (e cosa pu\u00f2 essere utilizzato per la modellazione generativa). Negli ultimi decenni sono state sviluppate molte rappresentazioni, la maggior parte delle quali rientra in una delle quattro categorie: stringhe, file di testo, matrici e grafici.<br>Naturalmente, le strutture chimiche possono essere rappresentate come matrici. Inizialmente, le rappresentazioni di matrici delle molecole venivano utilizzate per facilitare le ricerche nei database chimici; tuttavia, all\u2019inizio degli anni Duemila \u00e8 stata introdotta una nuova rappresentazione di matrici chiamata ECFP (Extended Connectivity Fingerprint): in informatica, la fingerprint o impronta di un file \u00e8 una sequenza alfanumerica o stringa di bit di lunghezza prefissata che identifica quel file con le caratteristiche intrinseche stesse del file. L\u2019ECFP \u00e8 stato specificamente progettato per catturare caratteristiche legate all\u2019attivit\u00e0 molecolare ed \u00e8 spesso considerato una delle prime caratterizzazioni nei tentativi di prevedere le propriet\u00e0 molecolari.<br>Le informazioni sulla struttura chimica possono anche essere trasferite in un file di testo, un output comune dei calcoli di chimica quantistica. Questi file di testo possono contenere informazioni molto ricche, tuttavia generalmente non sono molto utili come input per i modelli di apprendimento automatico. D\u2019altra parte, la rappresentazione tramite stringa codifica molte informazioni nella sua sintassi. Ci\u00f2 li rende particolarmente adatti alla modellazione generativa, appunto come la generazione di testo.<br>Infine, la rappresentazione basata su grafici \u00e8 pi\u00f9 naturale, e non solo ci consente di codificare propriet\u00e0 specifiche dell\u2019atomo negli incorporamenti dei nodi, ma cattura anche i legami chimici negli incorporamenti dei bordi. Inoltre, se combinata con lo scambio di messaggi, la rappresentazione grafica ci consente di interpretare (e configurare) l\u2019influenza di un nodo su un altro nodo da parte dei suoi viciniori, che rispecchia il modo in cui gli atomi in una struttura chimica interagiscono tra loro. Queste propriet\u00e0 rendono le rappresentazioni basate su grafici il tipo di rappresentazione di input preferito per i modelli di deep learning. (1. continua)<\/p>\n\n\n\n<p class=\"has-text-align-right wp-block-paragraph\">Giancarlo Elia Valori<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Con l\u2019avvento della tecnologia dell\u2019intelligenza artificiale, nel campo della chimica, i metodi tradizionali basati su esperimenti e modelli fisici vengono gradualmente integrati con paradigmi di machine learning basati sui dati. Sono sviluppate sempre pi\u00f9 rappresentazioni di dati per l\u2019elaborazione informatica, che vengono costantemente adattate a modelli statistici che sono principalmente generativi.Anche se l\u2019ingegneria, la finanza [&hellip;]<\/p>\n","protected":false},"author":2,"featured_media":2598,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-2597","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news-ita"],"_links":{"self":[{"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/posts\/2597","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/comments?post=2597"}],"version-history":[{"count":1,"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/posts\/2597\/revisions"}],"predecessor-version":[{"id":2599,"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/posts\/2597\/revisions\/2599"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/media\/2598"}],"wp:attachment":[{"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/media?parent=2597"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/categories?post=2597"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/tags?post=2597"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}