Un equipo de investigadores del MIPT, Skoltech, y el Instituto de Investigación de Automática Dukhov, dirigido por Artem Oganov, utilizó una técnica de aprendizaje automático para modelar el comportamiento del aluminio y el uranio en las fases líquida y cristalina a diversas temperaturas y presiones. Tales simulaciones de sistemas químicos pueden predecir sus propiedades bajo una variedad de condiciones antes de que se realicen los experimentos. permitiendo seguir trabajando solo con los materiales más prometedores. Los resultados de la investigación se publicaron en la revista Informes científicos .

Química informática

Los rápidos avances de la ciencia durante los últimos 100 años han dado lugar al descubrimiento de una asombrosa cantidad de compuestos orgánicos e inorgánicos. estructuras de proteínas y lípidos, y reacciones químicas. Pero con todas estas nuevas estructuras y moléculas, se necesita una cantidad de tiempo cada vez mayor para estudiar su composición, propiedades bioquímicas y físicas, y probar los modelos de su comportamiento en diversas condiciones y sus posibles interacciones con otros compuestos. Esta investigación ahora puede acelerarse utilizando modelos informáticos.

El enfoque del campo de fuerza es actualmente la técnica de modelado dominante. Hace uso de un conjunto de parámetros que describen un sistema bioquímico dado. Estos incluyen longitudes de enlace, ángulos y cargas, entre otros. Sin embargo, esta técnica es incapaz de reproducir con precisión las fuerzas de la mecánica cuántica en juego en las moléculas. Los cálculos precisos de la mecánica cuántica requieren mucho tiempo. Adicionalmente, sólo permiten predicciones del comportamiento de muestras que, en el mejor de los casos, tienen un tamaño de varios cientos de átomos.

Los enfoques de aprendizaje automático para el modelado molecular son de gran interés para los químicos. Permiten modelos que se entrenan en conjuntos de datos relativamente pequeños obtenidos mediante cálculos de mecánica cuántica. Estos modelos pueden entonces reemplazar los cálculos de la mecánica cuántica, porque son igual de precisos y requieren aproximadamente 1, 000 veces menos potencia de cálculo.

Progreso realizado por herramientas de aprendizaje automático que modelan interacciones entre átomos

Los investigadores utilizaron el aprendizaje automático para modelar las interacciones entre los átomos en el aluminio y el uranio cristalinos y líquidos. El aluminio es un metal bien estudiado cuyas propiedades físicas y químicas son conocidas por los científicos. Uranio, por el contrario, se eligió porque hay datos publicados contradictorios sobre sus propiedades físicas y químicas, que los investigadores intentaron definir con mayor precisión.

El artículo detalla su estudio de propiedades materiales tales como la densidad de fonones de estados, entropía y la temperatura de fusión del aluminio.

"Las magnitudes de las fuerzas interatómicas en los cristales se pueden utilizar para predecir cómo se comportarán los átomos del mismo elemento a diferentes temperaturas y en una fase diferente, "dice Ivan Kruglov del Laboratorio de Diseño de Materiales Computacionales en MIPT." De la misma manera, puede utilizar los datos sobre las propiedades de un líquido para averiguar cómo se comportarán los átomos en un cristal. Esto significa que al descubrir más sobre la estructura cristalina del uranio, eventualmente podemos reconstruir el diagrama de fase completo para este metal. Los diagramas de fase son gráficos que indican las propiedades de los elementos en función de la presión y la temperatura. Se utilizan para determinar los límites de aplicabilidad de un elemento determinado ".

Para asegurarse de que los datos proporcionados por las simulaciones por computadora sean válidos, se comparan con resultados experimentales. El método utilizado por los investigadores concuerda con los experimentos anteriores. La información obtenida con el enfoque basado en machine learning tuvo una menor tasa de error, en comparación con las técnicas de modelado que utilizan campos de fuerza.

En este estudio, los autores mejoran sus resultados de 2016 en términos de velocidad y precisión del modelado de sistemas atómicos mediante el aprendizaje automático.