Per dissenyar materials nous cal saber com es comporten els electrons dins de cada material, el que els físics anomenen l'estructura electrònica. Calcular-la amb els mètodes clàssics, com la teoria del funcional de la densitat, demana hores de superordinador, i per això s'ha estès la pràctica d'entrenar models d'IA amb milions d'aquests càlculs perquè facin les prediccions molt més de pressa. El supòsit implícit és que com més dades, millor, perquè ningú no sap per endavant quina part de la informació és imprescindible.
Un equip de la Universitat Tecnològica de Michigan i de la Universitat de Califòrnia a Los Angeles, amb Sazzad Hossain com a primer autor i Susanta Ghosh com a investigador principal, ha posat en dubte aquest supòsit en un article a la revista «npj Computational Materials», del grup Nature, que la universitat ha difós aquest dilluns. Segons l'article, en conjunts de dades de materials molt diferents, com metalls, aigua i aliatges complexos, hi ha moltíssima redundància: fins i tot si s'eliminen dades a l'atzar, la precisió gairebé no baixa. Amb un mètode que tria una mostra representativa de tots els graus de dificultat, els models mantenen gairebé sempre la precisió química amb fins a cent vegades menys dades, i l'entrenament és com a mínim tres vegades més ràpid. Segons la nota de la universitat, es pot llençar el 90% de les dades amb una pèrdua mínima i, amb el 99% eliminat, la majoria de prediccions continuen sent molt precises.
Els autors també proposen una explicació: la informació essencial de l'estructura electrònica viu en un espai de poques dimensions, i les propietats electròniques depenen sobretot de l'entorn immediat de cada àtom. Si és així, molts dels càlculs que s'acumulen en aquestes grans bases de dades diuen pràcticament el mateix. «Una mostra petita i ben triada captura gairebé tot el que la IA necessita aprendre», resumeix la nota de la universitat. La conseqüència pràctica és que els grups amb menys accés a superordinadors podrien entrenar aquests models amb molt menys càlcul previ.
El resultat té matisos. Amb la reducció més extrema no totes les prediccions es mantenen precises, només la majoria, i l'article diu que la precisió química es conserva «gairebé sempre», no sempre. L'estudi es limita a uns quants tipus de materials i a la predicció de l'estructura electrònica, i caldrà comprovar si la mateixa redundància es dona en altres famílies de materials i en altres propietats. L'article es va publicar en línia el 19 d'octubre; la difusió d'aquest dilluns és la de la universitat.
