Crédito:CC0 Public Domain
Investigadores de la Universidad de Luxemburgo, Technische Universität Berlín, y el Instituto Fritz Haber de la Sociedad Max Planck han combinado el aprendizaje automático y la mecánica cuántica para predecir la dinámica y las interacciones atómicas en las moléculas. El nuevo enfoque permite un grado de precisión y eficiencia que nunca antes se había logrado.
Las simulaciones de dinámica molecular se utilizan en la ciencia natural y de los materiales para predecir las propiedades y el comportamiento de diferentes materiales. En el pasado, estas simulaciones se basaron generalmente en modelos mecanicistas que son incapaces de integrar conocimientos importantes de la mecánica cuántica. Este trabajo ahora publicado en Comunicaciones de la naturaleza mejora sustancialmente las capacidades de predicción del modelado atomístico moderno en química, biología, y las ciencias de los materiales.
Conocimiento exacto sobre la dinámica molecular de una sustancia, en otras palabras, conocimiento preciso de los posibles estados e interacciones de átomos individuales en una molécula, nos permite no solo comprender muchas reacciones químicas y físicas, sino también hacer uso de ellas. "Las técnicas de aprendizaje automático han alterado drásticamente el trabajo en muchas disciplinas, pero hasta ahora se ha hecho poco uso de ellos en simulaciones de dinámica molecular, "dice Klaus-Robert Müller, Profesor de aprendizaje automático en TU Berlin. El problema:la mayoría de los algoritmos estándar se han desarrollado con el entendimiento de que la cantidad de datos a procesar no tiene relevancia. "Esto no se aplica, sin embargo, para cálculos precisos de mecánica cuántica de una molécula, donde cada punto de datos es crucial y el cálculo individual de moléculas más grandes puede llevar varias semanas o incluso meses. Los enormes recursos computacionales requeridos para hacer esto han significado que hasta la fecha no han sido posibles simulaciones precisas de dinámica molecular. "explica Alexandre Tkatchenko, profesor de física química teórica en la Universidad de Luxemburgo.
Es precisamente este problema el que los investigadores han resuelto ahora integrando leyes físicas en técnicas de aprendizaje automático. "El truco consiste en no calcular todos los posibles estados posibles de la dinámica molecular con técnicas de aprendizaje automático, sino solo aquellos que no resultan de leyes físicas conocidas o de la aplicación de operaciones de simetría ", explica el profesor Alexandre Tkatchenko.
Por un lado, Los algoritmos recientemente desarrollados utilizan simetrías matemáticas naturales dentro de las moléculas. Entre las cosas que reconocen están los ejes de simetría que no alteran las características físicas de la molécula. Como resultado, estos puntos de datos solo necesitan calcularse una vez, en lugar de varias veces, lo que reduce en gran medida la complejidad del cálculo. Adicionalmente, las técnicas de aprendizaje utilizan la ley física de la conservación de la energía.
A través de este enfoque innovador de permitir que las técnicas de aprendizaje automático empleadas "incorporen" leyes físicas antes de aprender a calcular la dinámica molecular, el equipo de investigación ha logrado conciliar los dos aspectos contradictorios de la alta precisión y la eficiencia de los datos. "Estos algoritmos especiales permiten que el proceso se centre en los complejos problemas de la simulación, en lugar de utilizar el rendimiento de la computadora para la reconstrucción de relaciones triviales entre puntos de datos. Como tal, esta investigación demuestra el gran potencial de combinar la IA y la química u otras ciencias naturales ", Klaus-Robert Müller dice:explicando la importancia del proyecto.