Investigadores de la Universidad Carnegie Mellon y el Laboratorio Nacional de Los Álamos han utilizado el aprendizaje automático para crear un modelo que puede simular procesos reactivos en un conjunto diverso de condiciones y materiales orgánicos.
"Es una herramienta que puede usarse para investigar más reacciones en este campo", dijo Shuhao Zhang, estudiante de posgrado en el Departamento de Química de la Universidad Carnegie Mellon. "Podemos ofrecer una simulación completa de los mecanismos de reacción."
Zhang es el primer autor del artículo que explica la creación y los resultados de este nuevo modelo de aprendizaje automático titulado "Explorando las fronteras de la química con un potencial de aprendizaje automático reactivo general", publicado en Nature Chemistry. .
Aunque los investigadores han simulado reacciones antes, los métodos anteriores tenían múltiples problemas. Los modelos de campo de fuerza reactivos son relativamente comunes, pero normalmente requieren entrenamiento para tipos de reacción específicos. Los modelos tradicionales que utilizan la mecánica cuántica, donde se simulan reacciones químicas basadas en la física subyacente, se pueden aplicar a cualquier material y molécula, pero estos modelos requieren el uso de supercomputadoras.
Este nuevo potencial interatómico de aprendizaje automático general (ANI-1xnr) puede realizar simulaciones de materiales arbitrarios que contienen los elementos carbono, hidrógeno, nitrógeno y oxígeno y requiere significativamente menos potencia de cálculo y tiempo que los modelos tradicionales de mecánica cuántica. Según Olexandr Isayev, profesor asociado de química en Carnegie Mellon y jefe del laboratorio donde se desarrolló el modelo, este avance se debe a los avances en el aprendizaje automático.
"El aprendizaje automático está surgiendo como un enfoque poderoso para construir diversas formas de potenciales atomísticos transferibles utilizando algoritmos de regresión. El objetivo general de este proyecto es desarrollar un método de aprendizaje automático capaz de predecir la energía y las velocidades de reacción de los procesos químicos con alta precisión, pero con un coste computacional muy bajo", afirmó Isayev.
"Hemos demostrado que esos modelos de aprendizaje automático pueden entrenarse en altos niveles de la teoría de la mecánica cuántica y pueden predecir con éxito energías y fuerzas con precisión de la mecánica cuántica y un aumento en la velocidad de hasta 6 a 7 órdenes de magnitud. Este es un nuevo paradigma en simulaciones reactivas."
Los investigadores probaron ANI-1xnr en diferentes problemas químicos, incluida la comparación de aditivos para biocombustibles y el seguimiento de la combustión de metano. Incluso recrearon el experimento Miller, un famoso experimento químico destinado a demostrar cómo se originó la vida en la Tierra. Utilizando este experimento, descubrieron que el modelo ANI-1xnr producía resultados precisos en sistemas de fase condensada.
Zhang dijo que el modelo podría usarse potencialmente en otras áreas de la química con mayor capacitación.
"Descubrimos que puede usarse potencialmente para simular procesos bioquímicos como reacciones enzimáticas", dijo Zhang. "No lo diseñamos para usarse de esa manera, pero después de modificarlo puede usarse para ese propósito."
En el futuro, el equipo planea perfeccionar ANI-1xnr y permitirle trabajar con más elementos y en más áreas químicas, e intentarán aumentar la escala de las reacciones que puede procesar. Esto podría permitir su uso en múltiples campos donde el diseño de nuevas reacciones químicas podría ser relevante, como el descubrimiento de fármacos.
A Zhang e Isayev se unieron Małgorzata Z. Makoś, Ryan B. Jadrich, Elfi Kraka, Kipton Barros, Benjamin T. Nebgen, Sergei Tretiak, Nicholas Lubbers, Richard A. Messerly y Justin S. Smith en este estudio.
Más información: Explorando las fronteras de la química con un potencial general de aprendizaje automático reactivo, Química de la naturaleza (2024). DOI:10.1038/s41557-023-01427-3
Información de la revista: Química de la naturaleza
Proporcionado por la Universidad Carnegie Mellon
