Química cuántica, el estudio de las propiedades y los procesos químicos a escala cuántica, ha abierto muchos caminos para la investigación y el descubrimiento de la química moderna. Sin tocar un vaso de precipitados o un tubo de ensayo, Los químicos pueden hacer predicciones sobre las propiedades de un átomo o molécula dados y cómo sufrirá reacciones químicas al estudiar su estructura electrónica (cómo se organizan sus electrones en orbitales) y cómo esos electrones interactúan con los de otros compuestos o átomos.

Sin embargo, tan poderosa como la química cuántica ha demostrado ser, también tiene un gran inconveniente:los cálculos precisos consumen muchos recursos y tiempo, con estudios químicos de rutina que involucran cálculos que toman días o más.

Ahora, gracias a una nueva herramienta de química cuántica que utiliza el aprendizaje automático, se pueden realizar cálculos de química cuántica 1, 000 veces más rápido de lo que era posible anteriormente, permitiendo que la investigación precisa de la química cuántica se lleve a cabo más rápido que nunca.

La herramienta, llamado OrbNet, fue desarrollado a través de una asociación entre Tom Miller de Caltech, profesor de química, y Anima Anandkumar, Bren Catedrático de Computación y Ciencias Matemáticas.

"En química cuántica, ha habido una interacción castigadora entre la precisión del cálculo y la cantidad de tiempo que lleva, "Dice Miller." Comenzarías un cálculo, y diría, 'Bien, nos vemos el martes.' Pero ahora, los cálculos se pueden realizar de forma interactiva ".

OrbNet utiliza una red neuronal gráfica, un tipo de sistema de aprendizaje automático que representa la información como "nodos, "que contienen datos, y "bordes, "que representan las formas en que esos fragmentos de datos se relacionan entre sí.

Miller dice que OrbNet funciona tan bien como lo hace debido a una innovación en la forma en que los átomos y las moléculas se mapean en la red neuronal gráfica que se basa en la ecuación de Schrödinger. una pieza de matemáticas fundamental para la mecánica cuántica.

"Las arquitecturas de grafos anteriores habían organizado los átomos como nodos y los enlaces entre los átomos como bordes, pero esa no es la forma en que la química cuántica piensa al respecto, ", dice." Entonces, en lugar de, construimos un gráfico donde los nodos son los orbitales de electrones, y los bordes son interacciones entre los orbitales. Eso tiene una conexión mucho más natural con la ecuación de Schrödinger ".

Como todos los sistemas de aprendizaje automático, OrbNet necesita estar capacitado para realizar una tarea asignada, similar a cómo una persona que consigue un nuevo trabajo necesita ser capacitada para ello. OrbNet aprendió a predecir propiedades moleculares sobre la base de cálculos mecánicos cuánticos de referencia precisos. Anandkumar, cuya investigación se centra en el aprendizaje automático, ayudó a diseñar y optimizar la implementación de la red neuronal gráfica.

"Orbnet es un gran ejemplo de un modelo de aprendizaje profundo que utiliza características específicas del dominio:en este caso, orbitales moleculares. Esto permite que el modelo de aprendizaje automático realice cálculos con precisión en moléculas mucho más grandes, hasta 10 veces más grande, que las moléculas presentes en los datos de entrenamiento, "Dice Anandkumar." Para un modelo estándar de aprendizaje profundo, tal extrapolación es imposible ya que solo aprende a interpolar los datos de entrenamiento. Aprovechar el conocimiento del dominio de los orbitales moleculares fue esencial para que pudiéramos lograr la transferibilidad a moléculas más grandes.

En la actualidad, OrbNet ha sido capacitado en aproximadamente 100, 000 moléculas, que, según Miller, le permite realizar muchos cálculos útiles para los investigadores, pero los esfuerzos en curso tienen como objetivo escalarlo a conjuntos de datos de capacitación más grandes.

"La predicción de propiedades moleculares tiene muchos beneficios prácticos. Por ejemplo, OrbNet se puede utilizar para predecir la estructura de moléculas, la forma en que reaccionarán, si son solubles en agua, o cómo se unirán a una proteína, " él dice.

Miller dice que el trabajo futuro en OrbNet se centrará en ampliar la gama de tareas para las que se puede utilizar mediante formación adicional.

"Hemos demostrado que funciona para un pequeño rincón de la química orgánica, pero no hay nada que nos impida expandir el enfoque a otros dominios de aplicaciones, " él dice.

El documento que describe OrbNet, noble, "OrbNet:Aprendizaje profundo para la química cuántica utilizando características atómico-orbitales adaptadas a la simetría, "fue publicado en el Revista de física química el 25 de septiembre y seleccionado como Editor's Pick.