El algoritmo de aprendizaje automático predice las propiedades de los materiales mediante la densidad de electrones
Por Davide Castelvecchi
(Nature)- Un equipo dirigido por científicos de la empresa de inteligencia artificial con sede en Londres DeepMind ha desarrollado un modelo de aprendizaje automático que sugiere las características de una molécula al predecir la distribución de electrones dentro de ella. El enfoque, puede calcular las propiedades de algunas moléculas con mayor precisión que las técnicas existentes.
“Hacerlo tan preciso como lo han hecho es una hazaña”, dice Anatole von Lilienfeld, científico de materiales de la Universidad de Viena.
El artículo es “un trabajo sólido”, dice Katarzyna Pernal, química computacional de la Universidad Tecnológica de Lodz en Polonia. Pero agrega que el modelo de aprendizaje automático tiene un largo camino por recorrer antes de que pueda ser útil para los químicos computacionales.
Predicción de propiedades
En principio, la estructura de materiales y moléculas está totalmente determinada por la mecánica cuántica, y específicamente por la ecuación de Schrödinger, que gobierna el comportamiento de las funciones de onda de los electrones. Estos son los dispositivos matemáticos que describen la probabilidad de encontrar un electrón en particular en una posición particular en el espacio. Pero debido a que todos los electrones interactúan entre sí, calcular la estructura o los orbitales moleculares a partir de esos primeros principios es una pesadilla computacional y solo se puede hacer para las moléculas más simples, como el benceno, dice James Kirkpatrick, físico de DeepMind.
Para solucionar este problema, los investigadores, desde farmacólogos hasta ingenieros de baterías, cuyo trabajo se basa en descubrir o desarrollar nuevas moléculas, durante décadas se han basado en un conjunto de técnicas llamadas teoría funcional de la densidad (DFT) para predecir las propiedades físicas de las moléculas. La teoría no intenta modelar electrones individuales, sino que tiene como objetivo calcular la distribución general de la carga eléctrica negativa de los electrones a través de la molécula. «DFT analiza la densidad de carga promedio, por lo que no sabe qué son los electrones individuales», dice Kirkpatrick. La mayoría de las propiedades de la materia se pueden calcular fácilmente a partir de esa densidad.
Desde sus inicios en la década de 1960, DFT se ha convertido en una de las técnicas más utilizadas en las ciencias físicas: una investigación del equipo de noticias de Nature en 2014 encontró que, de los 100 artículos más citados , 12 eran sobre DFT. Las bases de datos modernas de propiedades de materiales, como el Proyecto de Materiales , consisten en gran parte en cálculos DFT.
Pero el enfoque tiene limitaciones y se sabe que da resultados incorrectos para ciertos tipos de moléculas, incluso algunas tan simples como el cloruro de sodio. Y aunque los cálculos de DFT son mucho más eficientes que los que parten de la teoría cuántica básica, siguen siendo engorrosos y, a menudo, requieren supercomputadoras. Entonces, en la última década, los químicos teóricos han comenzado cada vez más a experimentar con el aprendizaje automático, en particular para estudiar propiedades como la reactividad química de los materiales o su capacidad para conducir el calor.
Problema ideal
El equipo de DeepMind ha realizado probablemente el intento más ambicioso hasta ahora de implementar IA para calcular la densidad de electrones, el resultado final de los cálculos de DFT. “Es una especie de problema ideal para el aprendizaje automático: conoce la respuesta, pero no la fórmula que desea aplicar”, dice Aron Cohen, un químico teórico que ha trabajado durante mucho tiempo en DFT y que ahora está en DeepMind.
El equipo entrenó una red neuronal artificial con datos de 1.161 soluciones precisas derivadas de las ecuaciones de Schrödinger. Para mejorar la precisión, también integraron algunas de las leyes físicas conocidas en la red. Luego probaron el sistema entrenado en un conjunto de moléculas que a menudo se usan como punto de referencia para DFT, y los resultados fueron impresionantes, dice von Lilienfeld. “Esto es lo mejor que ha logrado la comunidad, y lo superaron por un margen”, dice.
Una ventaja del aprendizaje automático, agrega von Lilienfeld, es que, aunque se necesita una gran cantidad de potencia informática para entrenar los modelos, ese proceso debe realizarse solo una vez. Luego, se pueden realizar predicciones individuales en una computadora portátil normal, lo que reduce enormemente su costo y huella de carbono, en comparación con tener que realizar los cálculos desde cero cada vez.
Kirkpatrick y Cohen dicen que DeepMind está lanzando su sistema entrenado para que cualquiera lo use. Por ahora, el modelo se aplica principalmente a las moléculas y no a las estructuras cristalinas de los materiales, pero las versiones futuras también podrían funcionar para los materiales, dicen los autores.
