La distribución electrónica tetraédrica de una molécula de agua. El núcleo del átomo de oxígeno está en el centro del tetraedro, y los núcleos de hidrógeno están en el centro de las esferas rosas. Fundación Simons. Crédito:Fundación Simons
Una nueva herramienta de aprendizaje automático puede calcular la energía necesaria para hacer (o romper) una molécula con mayor precisión que los métodos convencionales. Si bien la herramienta actualmente solo puede manejar moléculas simples, allana el camino para conocimientos futuros en química cuántica.
"El uso del aprendizaje automático para resolver las ecuaciones fundamentales que gobiernan la química cuántica ha sido un problema abierto durante varios años, y hay mucha emoción a su alrededor en este momento, "dice el co-creador Giuseppe Carleo, científico investigador del Centro de Física Cuántica Computacional del Instituto Flatiron en la ciudad de Nueva York. Una mejor comprensión de la formación y destrucción de moléculas, él dice, podría revelar el funcionamiento interno de las reacciones químicas vitales para la vida.
Carleo y sus colaboradores Kenny Choo de la Universidad de Zurich y Antonio Mezzacapo del IBM Thomas J. Watson Research Center en Yorktown Heights, Nueva York, presentar su trabajo el 12 de mayo en Comunicaciones de la naturaleza .
La herramienta del equipo calcula la cantidad de energía necesaria para ensamblar o separar una molécula, como agua o amoniaco. Ese cálculo requiere determinar la estructura electrónica de la molécula, que consiste en el comportamiento colectivo de los electrones que unen la molécula.
La estructura electrónica de una molécula es difícil de calcular, requiriendo la determinación de todos los estados potenciales en los que podrían estar los electrones de la molécula, más la probabilidad de cada estado.
Dado que los electrones interactúan y se entrelazan mecánicamente cuánticamente entre sí, los científicos no pueden tratarlos individualmente. Con más electrones, surgen más enredos, y el problema se vuelve exponencialmente más difícil. No existen soluciones exactas para moléculas más complejas que los dos electrones que se encuentran en un par de átomos de hidrógeno. Incluso las aproximaciones luchan con la precisión cuando involucran más de unos pocos electrones.
Uno de los desafíos es que la estructura electrónica de una molécula incluye estados para un número infinito de orbitales que se alejan cada vez más de los átomos. Adicionalmente, un electrón es indistinguible de otro, y dos electrones no pueden ocupar el mismo estado. La última regla es una consecuencia de la simetría de intercambio, que gobierna lo que sucede cuando partículas idénticas cambian de estado.
Mezzacapo y sus colegas de IBM Quantum desarrollaron un método para restringir el número de orbitales considerados e imponer la simetría de intercambio. Este enfoque, basado en métodos desarrollados para aplicaciones de computación cuántica, hace que el problema se parezca más a escenarios en los que los electrones están confinados en ubicaciones preestablecidas, como en una celosía rígida.
La similitud con las celosías rígidas fue la clave para hacer que el problema fuera más manejable. Carleo entrenó previamente redes neuronales para reconstruir el comportamiento de los electrones confinados a los sitios de una red. Al extender esos métodos, los investigadores pudieron estimar soluciones a los problemas compactos de Mezzacapo. La red neuronal del equipo calcula la probabilidad de cada estado. Usando esta probabilidad, los investigadores pueden estimar la energía de un estado dado. El nivel de energía más bajo, apodada la energía de equilibrio, es donde la molécula es más estable.
Las innovaciones del equipo hicieron que el cálculo de la estructura electrónica de una molécula básica fuera más simple y rápido. Los investigadores demostraron la precisión de sus métodos al estimar cuánta energía se necesitaría para separar una molécula del mundo real. rompiendo sus ataduras. Hicieron cálculos para dihidrógeno (H 2 ), hidruro de litio (LiH), amoniaco (NH 3 ), agua (H 2 O), carbono diatómico (C 2 ) y dinitrógeno (N 2 ). Por todas las moléculas Las estimaciones del equipo demostraron ser muy precisas incluso en rangos en los que los métodos existentes tienen dificultades.
En el futuro, los investigadores tienen como objetivo abordar moléculas más grandes y complejas mediante el uso de redes neuronales más sofisticadas. Uno de los objetivos es manejar sustancias químicas como las que se encuentran en el ciclo del nitrógeno, en el que los procesos biológicos construyen y rompen moléculas basadas en nitrógeno para hacerlas utilizables de por vida. "Queremos que esta sea una herramienta que los químicos puedan utilizar para procesar estos problemas, "Dice Carleo.
Carleo, Choo y Mezzacapo no son los únicos que utilizan el aprendizaje automático para abordar problemas de la química cuántica. Los investigadores presentaron por primera vez su trabajo en arXiv.org en septiembre de 2019. En ese mismo mes, un grupo en Alemania y otro en DeepMind de Google en Londres publicaron una investigación que utiliza el aprendizaje automático para reconstruir la estructura electrónica de las moléculas.
Los otros dos grupos utilizan un enfoque similar entre sí que no limita el número de orbitales considerados. Esta inclusividad, sin embargo, es más exigente desde el punto de vista computacional, un inconveniente que solo empeorará con moléculas más complejas. Con los mismos recursos computacionales, el planteamiento de Carleo, Choo y Mezzacapo producen una mayor precisión, pero las simplificaciones realizadas para obtener esta precisión podrían introducir sesgos.
"En general, es una compensación entre sesgo y precisión, y no está claro cuál de los dos enfoques tiene más potencial para el futuro, "Dice Carleo." Sólo el tiempo nos dirá cuál de estos enfoques se puede escalar a los desafiantes problemas abiertos de la química ".
