Studio della superficie potenziale della molecola d’acqua tramite machine learning

Nelle simulazioni di dinamica molecolare i gradi di libertà relativi alle posizioni dei nuclei atomici sono trattati come classici grazie all'approssimazione di Born-Oppenheimer. Le forze agenti su di essi sono determinate, in principio, risolvendo il problema quantistico a molti corpi relativo ai soli gradi di libertà degli elettroni. Anche se robusti approcci come la teoria del funzionale della densità (DFT) permettono di affrontare sistemi dell'ordine di qualche centinaio di atomi, sistemi più grandi richiedono ancora approssimazioni empiriche per le forze atomiche (detti force-fields) con pesanti limiti di accuratezza. Recentemente è stato mostrato come si possano ricavare force-fields molto accurati usando approcci di machine-learning che usano dati DFT per il loro processo di addestramento. L'obiettivo della tesi è la riproduzione dell'energia potenziale di una molecola d'acqua calcolata tramite DFT usando reti neurali a più strati. In particolare si vuole determinare quanto accurata sia la riproduzione di dissociazione in ossigeno atomico e idrogeno molecolare.