I cristialli liquidi li conosciamo più o meno tutti, eppure ci sono dei difetti topologici che non sempre sono visibili “scovati” dall’intelligenza artificiale.
Molti dei pattern complessi che osserviamo in natura nascono da un fenomeno chiave: la rottura della simmetria. Quando un sistema passa da uno stato altamente simmetrico a uno più ordinato, possono emergere piccole irregolarità stabili.
Queste strutture, chiamate difetti topologici, si manifestano a scale estremamente diverse, dalla cosmologia fino ai materiali di uso quotidiano. Proprio perché compaiono ovunque emerga un ordine, rappresentano uno strumento fondamentale per comprendere come i sistemi complessi si organizzano.
Tra i materiali più adatti allo studio di questi fenomeni ci sono i cristalli liquidi nematici e in essi, le molecole possono ruotare liberamente pur mantenendo un orientamento medio comune; questa particolare combinazione rende i cristalli liquidi facili da controllare e osservare, permettendo ai ricercatori di monitorare nel tempo la formazione, lo spostamento e la riorganizzazione dei difetti.
Tradizionalmente, questi sistemi vengono descritti tramite la teoria di Landau-de Gennes, un modello matematico che spiega come l’ordine molecolare collassi all’interno dei nuclei dei difetti, dove l’orientamento non è più ben definito. Tuttavia, simulare questi processi in modo accurato richiede un enorme dispendio di risorse computazionali.
Deep learning al posto delle simulazioni lente
Un team di ricercatori guidato dal professor Jun-Hee Na della Chungnam National University (Corea del Sud) ha sviluppato un nuovo approccio basato sull’intelligenza artificiale, in grado di prevedere configurazioni stabili di difetti topologici in modo estremamente rapido.
Il metodo, pubblicato sulla rivista Small, sostituisce le tradizionali simulazioni numeriche – che possono richiedere ore di calcolo – con un modello di deep learning capace di produrre risultati in pochi millisecondi.
“Il nostro approccio affianca le simulazioni lente con previsioni rapide e affidabili, facilitando l’esplorazione sistematica di regimi ricchi di difetti“, spiega il professor Na.
Come funziona il modello di intelligenza artificiale
Il sistema si basa su un’architettura 3D U-Net, una rete neurale convoluzionale molto utilizzata nell’analisi di immagini scientifiche e mediche e questa struttura permette al modello di cogliere sia l’allineamento globale delle molecole sia i dettagli locali più fini legati ai difetti.
Invece di simulare passo dopo passo l’evoluzione del sistema, la rete neurale collega direttamente le condizioni al contorno allo stato finale di equilibrio. In pratica, al modello vengono fornite le informazioni sui bordi del sistema e l’IA prevede l’intero campo di orientamento molecolare, inclusa la forma e la posizione dei difetti topologici.
Per l’addestramento sono stati utilizzati dati provenienti da simulazioni tradizionali che coprivano numerosi scenari diversi. Una volta completato il training, la rete è riuscita a prevedere con grande accuratezza anche configurazioni completamente nuove, mai viste prima, mostrando un’eccellente corrispondenza sia con le simulazioni classiche sia con gli esperimenti di laboratorio.
Difetti complessi, fusioni e riconfigurazioni
Un aspetto particolarmente interessante è che il modello non si basa su equazioni fisiche esplicite: apprende il comportamento del materiale direttamente dai dati. Questo gli consente di gestire situazioni molto complesse, come i difetti topologici di ordine superiore, in cui le strutture possono fondersi, dividersi o riorganizzarsi dinamicamente.
Le verifiche sperimentali hanno confermato che l’intelligenza artificiale riesce a catturare correttamente anche questi comportamenti, dimostrando un’elevata affidabilità in un’ampia gamma di condizioni.
Nuove opportunità per materiali e dispositivi avanzati
La possibilità di esplorare rapidamente un grande numero di configurazioni apre scenari interessanti per la progettazione di materiali con difetti controllati, un aspetto cruciale in molti ambiti tecnologici. In particolare, questo approccio potrebbe rivelarsi fondamentale per lo sviluppo di dispositivi ottici avanzati e metamateriali.
«Riducendo drasticamente i tempi di sviluppo dei materiali, la progettazione guidata dall’IA potrebbe accelerare la creazione di materiali intelligenti per applicazioni che spaziano dai display olografici e VR/AR ai sistemi ottici adattivi e alle finestre smart capaci di reagire all’ambiente», conclude il professor Na.
