Aprender algoritmos física

Un equipo internacional de científicos de la Universidad Técnica de Berlín, del Instituto Fritz Haber de la Sociedad Max Planck y de la Universidad de Luxemburgo ha logrado combinar el aprendizaje automático y la mecánica cuántica de manera que puedan predecir la dinámica y las interacciones atómicas en moléculas con una precisión y eficiencia hasta ahora desconocidas. Las simulaciones de dinámica molecular constituyen la base de muchos modelos en ciencias naturales y de materiales. Sin embargo, su poder predictivo solo es tan bueno como la precisión de las interacciones interatómicas subyacentes, que se describen en forma de potenciales. Los potenciales clásicos se basan en modelos mecanicistas que no pueden captar efectos cuánticos importantes. El trabajo publicado ahora proporciona nuevos conocimientos sobre el comportamiento dinámico complejo de las moléculas. Este desarrollo promete mejorar significativamente la capacidad predictiva de la modelización atómica moderna en química, biología o también en ciencias de materiales.

Conocer exactamente la dinámica molecular de una sustancia, es decir, tener conocimientos precisos sobre los posibles estados e interacciones de los átomos individuales en esa molécula, ayuda a entender y también a aprovechar muchas reacciones químicas y físicas. "Los métodos de aprendizaje automático han cambiado drásticamente el trabajo en muchas disciplinas, pero hasta ahora se han utilizado poco en simulaciones de dinámica molecular", explica el Dr. Klaus-Robert Müller, profesor de aprendizaje automático en la TU Berlín. El problema: la mayoría de los algoritmos estándar fueron desarrollados con la conciencia de que la cantidad de datos a procesar no es relevante. "Pero esto no es así para cálculos cuánticos precisos de una molécula, donde cada punto de datos es decisivo y cada cálculo en moléculas más grandes puede tomar muchas semanas o incluso meses. La enorme potencia de cálculo necesaria hasta ahora hacía imposibles simulaciones de dinámica molecular ultraprécisas", explica Müller.

Precisamente este desafío ha sido resuelto por los científicos ahora, integrando leyes físicas en los procedimientos de aprendizaje automático. "El truco consiste en no calcular todos los posibles estados de la dinámica molecular con los métodos de aprendizaje automático, sino solo aquellos que no se derivan de leyes físicas conocidas o de la aplicación de operaciones de simetría", explica Müller.

Por un lado, los algoritmos desarrollados recientemente utilizan, entre otras cosas, simetrías matemáticas naturales dentro de las moléculas. Reconocen, por ejemplo, ejes de simetría que no cambian las propiedades físicas de la molécula. De esta manera, estos puntos de datos solo necesitan ser calculados una vez, en lugar de varias veces, reduciendo significativamente la complejidad del cálculo. Por otro lado, el método de aprendizaje aprovecha la ley física de conservación de la energía y no calcula estados moleculares que, debido a esta ley, son imposibles.

Con el enfoque innovador de que los procedimientos de aprendizaje automático utilizados "incorporan" leyes físicas antes de aprender a calcular la dinámica molecular, el equipo ha logrado eliminar la contradicción entre alta precisión y eficiencia en el uso de datos.

"Nuestro enfoque proporciona la clave que faltaba hasta ahora para alcanzar la precisión espectroscópica en simulaciones moleculares, necesaria para una modelización verdaderamente realista", explica el Prof. Dr. Alexandre Tkatchenko, jefe del grupo "Física Química Teórica" en la Universidad de Luxemburgo.

"Estos algoritmos especiales permiten concentrar el método en los problemas difíciles de la simulación, en lugar de usar la potencia de cálculo para reconstruir relaciones triviales entre puntos de datos. Con ello, este trabajo demuestra de manera impresionante el gran potencial de la combinación de inteligencia artificial y química u otras ciencias naturales", describe Müller.

El trabajo ha sido financiado por la Fundación Alemana de Investigación, el Consejo Europeo de Investigación y la Fundación Nacional de Investigación de Corea. Parte de esta investigación se llevó a cabo durante la visita de los autores al Instituto de Matemáticas Puras y Aplicadas (IPAM) en la Universidad de California, Los Ángeles (UCLA), apoyado por la National Science Foundation.