Calcolare come gli atomi si comportano all’interno dei materiali è sempre stato un incubo computazionale. Ora THOR AI, un framework sviluppato dall’Università del New Mexico e dal Los Alamos National Laboratory, promette di cambiare radicalmente le regole del gioco. Quello che prima richiedeva settimane di elaborazione su supercomputer, oggi si risolve in una manciata di secondi. E no, non è un’esagerazione.

Il cuore della questione ruota attorno ai cosiddetti integrali configurazionali, calcoli matematici enormi che servono a prevedere le proprietà termodinamiche e meccaniche dei materiali. Per decenni, i ricercatori si sono affidati a tecniche indirette come le simulazioni Monte Carlo e la dinamica molecolare. Metodi validi, certo, ma lenti e approssimativi. Il problema di fondo ha un nome che suona quasi poetico: la “maledizione della dimensionalità”. In pratica, più variabili si aggiungono, più la complessità esplode in modo esponenziale. Anche i computer più potenti del pianeta faticano a tenere il passo.

Come funziona THOR AI e perché cambia tutto

THOR sta per Tensors for High-dimensional Object Representation. Il framework combina algoritmi basati su reti tensoriali con modelli di machine learning che descrivono le interazioni atomiche. Il trucco sta nel prendere un problema matematico mostruosamente grande e scomporlo in pezzi più piccoli e gestibili, attraverso una tecnica chiamata “tensor train cross interpolation”. In aggiunta, il sistema è in grado di riconoscere le simmetrie cristalline presenti nei materiali, riducendo drasticamente il carico computazionale.

Come ha spiegato Dimiter Petsev, professore di ingegneria chimica e biologica all’Università del New Mexico, risolvere direttamente l’integrale configurazionale era considerato praticamente impossibile. I metodi classici avrebbero richiesto tempi di calcolo superiori all’età dell’universo. THOR AI aggira questo ostacolo con un approccio che offre un nuovo standard di precisione ed efficienza.

Risultati concreti e prospettive future

Il team ha testato THOR AI su diversi sistemi: rame, argon cristallino sotto pressioni estreme, e la complessa transizione di fase solido/solido dello stagno. In tutti i casi, il framework ha replicato i risultati ottenuti con simulazioni avanzate del Los Alamos, ma con una velocità oltre 400 volte superiore. Non si tratta di una differenza marginale.

La flessibilità del sistema è un altro punto di forza notevole. THOR AI si integra senza problemi con i modelli atomici basati su machine learning, il che lo rende utilizzabile in condizioni fisiche molto diverse tra loro. I ricercatori sono convinti che possa diventare uno strumento prezioso per la scienza dei materiali, la fisica e la chimica.

Duc Truong, scienziato del Los Alamos e primo autore dello studio pubblicato su Physical Review Materials, ha definito il risultato un passo avanti rispetto a simulazioni e approssimazioni vecchie di cento anni. THOR AI, secondo il suo team, apre la strada a scoperte più rapide e a una comprensione più profonda della materia. Il progetto è già disponibile su GitHub per chi volesse esplorarlo.

L'articolo THOR AI risolve in pochi secondi un problema fisico vecchio di un secolo proviene da Tecnoapple.