A medida que la química se ha vuelto más avanzada y las reacciones químicas más complejas, Ya no siempre es práctico para los investigadores sentarse en una mesa de laboratorio y comenzar a mezclar productos químicos para ver qué se les ocurre.

Tom Miller, profesor de química en Caltech; Matt Welborn, becario postdoctoral en el Resnick Sustainability Institute; y Lixue Cheng, un estudiante graduado de química e ingeniería química, han desarrollado una nueva herramienta que utiliza el aprendizaje automático para predecir reacciones químicas mucho antes de que los reactivos lleguen al tubo de ensayo.

La suya no es la primera herramienta computacional desarrollada para hacer predicciones químicas, pero mejora lo que ya está en uso, y eso es importante porque este tipo de predicciones están teniendo un gran impacto en el campo.

"Nos permiten conectar las propiedades microscópicas subyacentes con las cosas que nos importan en el mundo macroscópico, ", Dice Miller." Estas predicciones nos permiten saber de antemano si un catalizador funcionará mejor que otro e identificar nuevos candidatos a fármacos ".

También requieren mucho trabajo pesado computacional. Miller señala que una fracción sustancial de todo el tiempo de las supercomputadoras en la Tierra se dedica a las predicciones químicas, por lo tanto, los aumentos en la eficiencia pueden ahorrar a los investigadores mucho tiempo y dinero.

El trabajo de los investigadores de Caltech esencialmente proporciona un cambio de enfoque para el software de predicción. Las herramientas anteriores se basaban en tres métodos de modelado computacional conocidos como teoría funcional de densidad (DFT), teoría de conglomerados acoplados (CC), o teoría de perturbaciones de Møller-Plesset (MP2). Esas teorías representan tres enfoques diferentes para aproximar una solución a la ecuación de Schrödinger, que describe sistemas complejos en los que la mecánica cuántica juega un papel importante.

Cada una de esas teorías tiene sus propias ventajas y desventajas. DFT es una especie de enfoque rápido y sucio que brinda a los investigadores respuestas más rápidas pero con menos precisión. CC y MP2 son mucho más precisos, pero tardan más en calcularse y utilizan mucha más potencia de cálculo.

Molinero, Cheng, y la herramienta de Welborn enhebra la aguja, dándoles acceso a predicciones más precisas que las creadas con DFT y en menos tiempo del que pueden ofrecer CC y MP2. Lo hacen al enfocar su algoritmo de aprendizaje automático en las propiedades de los orbitales moleculares, la nube de electrones alrededor de una molécula. Herramientas ya existentes, a diferencia de, centrarse en los tipos de átomos de una molécula o los ángulos en los que los átomos están unidos entre sí.

Hasta aquí, su enfoque es muy prometedor, aunque solo se ha utilizado para hacer predicciones sobre sistemas relativamente simples. La verdadera prueba Miller dice, es ver cómo funcionará en problemas químicos más complicados. Todavía, es optimista sobre la base de los resultados preliminares.

"Si podemos hacer que esto funcione, será un gran problema para la forma en que se utilizan las computadoras para estudiar problemas químicos, ", dice." Estamos muy entusiasmados con eso ".

El trabajo se describe en un artículo titulado "Transferibilidad en el aprendizaje automático para la estructura electrónica a través de la base orbital molecular" que aparece en el Revista de teoría química y computación .