¿Por qué el agua es más densa a unos 4 grados centígrados? ¿Por qué flota el hielo? ¿Por qué el agua pesada tiene un punto de fusión diferente al del agua normal? ¿Por qué los copos de nieve tienen una simetría de seis veces? Un estudio colaborativo, dirigido por investigadores de la EPFL y recién publicado en el procedimientos de la Academia Nacional de Ciencias , proporciona información física sobre estas preguntas al combinar técnicas de aprendizaje automático basadas en datos y mecánica cuántica.

Los componentes básicos de la mayoría de la materia observable son los electrones y los núcleos. Siguiendo las leyes de la mecánica cuántica, su comportamiento se puede describir en términos de su función de onda, especie de nube difusa que se relaciona con la probabilidad de observarlos en un momento y momento determinados. Al resolver la ecuación de Schrodinger, es posible realizar modelos y predicciones de cualquier material, incluyendo agua. Pero hay una trampa. A medida que aumenta el número de electrones y núcleos, la complejidad involucrada pronto se vuelve intratable, incluso con las supercomputadoras más rápidas, a pesar de un siglo de celebrados avances en la optimización de dichos cálculos. De hecho, Los cálculos de la mecánica cuántica siguen siendo inasequibles para sistemas con más de unos pocos cientos de átomos, o durante un período de tiempo superior a un nanosegundo.

Para superar estas duras limitaciones, los investigadores explotaron una red neuronal artificial (ANN) para aprender las interacciones atómicas de la mecánica cuántica. La arquitectura de las ANN se puede representar como varias capas de nodos interconectados que imitan la estructura de las neuronas en un cerebro humano. La ANN aprende primero las interacciones mecánicas cuánticas entre átomos, y luego hace predicciones rápidas sobre la energía y las fuerzas de un sistema de átomos, evitando la necesidad de realizar costosos cálculos de mecánica cuántica.

Hasta aquí, todo parece más bien otra historia de éxito del aprendizaje automático. Sin embargo, hay sutilezas. La ANN tiene un error residual en comparación con los cálculos mecánicos cuánticos reales:la mayoría de las veces, introduce una pequeña cantidad de ruido, ya veces hace una suposición descabellada:esto sucede cuando una entrada es muy diferente de cualquier cosa que ya haya aprendido.

Cómo evitar las trampas de la ANN:en lugar de emplear ANN por sí sola para hacer predicciones sobre un sistema de átomos, los investigadores lo utilizaron como modelo sustituto. En esencia, calcular las propiedades de los materiales a una temperatura finita suele implicar muchos pasos de cálculo, y las partes laboriosas y repetitivas pueden delegarse al modelo sustituto barato. Finalmente, la diferencia entre el sustituto y la verdad fundamental, que es la diferencia entre la ANN y la mecánica cuántica, se puede contabilizar y restar de las predicciones finales.

Con estas técnicas, los investigadores pudieron reproducir varias propiedades termodinámicas del agua a partir de la mecánica cuántica, incluida la densidad del hielo y el agua, la diferencia en la temperatura de fusión para agua normal y pesada, y la estabilidad de diferentes formas de hielo. Es más, el estudio revela varias percepciones físicas sobre lo que les da a los sistemas de agua y hielo sus propiedades peculiares. Uno de los hallazgos más notables es que las fluctuaciones cuánticas nucleares, que implican la tendencia de los elementos ligeros como el hidrógeno a comportarse más como una nube difusa que como una partícula localizada, promover el empaquetamiento hexagonal de moléculas dentro del hielo, lo que en última instancia conduce a la simetría séxtuple de los copos de nieve.