Efectos remotos fantasmales en la pista

Aún en gran medida territorio desconocido es el uso de la Inteligencia Artificial (IA) en las ciencias clásicas como Química, Física o Matemáticas: investigadores del Instituto de Berlín para la Fundación del Aprendizaje y Datos (BIFOLD) en la TU Berlín, en colaboración con Google Research, han logrado desarrollar un algoritmo que, a partir de datos cuánticos, puede predecir con gran precisión y eficiencia el estado de energía potencial de las moléculas.

Esto podría abrir opciones completamente nuevas, especialmente para los científicos de materiales. El artículo "SpookyNet: Learning Force Fields with Electronic Degrees of Freedom and Nonlocal Effects" ha sido publicado recientemente en Nature Communications.

"La mecánica cuántica trata, entre otras cosas, de las propiedades químicas y físicas de una molécula basándose en la disposición espacial de sus átomos. Una reacción química, por su parte, se basa en la interacción de muchas moléculas y es un proceso multidimensional", explica el co-director de BIFOLD, el Prof. Dr. Klaus-Robert Müller. Predecir y modelar los pasos individuales de una reacción química a nivel molecular o incluso atómico es un sueño largamente acariciado por muchos científicos de materiales. Un papel crucial en la capacidad de reacción de las moléculas lo juega la llamada hiper superficie de potencial. Esta describe la dependencia de la energía de los átomos de una molécula respecto a la disposición geométrica de los núcleos atómicos. Conocer las hiper superficies de potencial ultracorrectas de las moléculas permite simular el movimiento de átomos individuales, por ejemplo, durante una reacción química, para entender mejor sus propiedades dinámicas cuánticas y así predecir con precisión el proceso y el resultado de las reacciones.

"Se puede imaginar la hiper superficie de potencial como un paisaje con montañas y valles. Al igual que una canica que rueda sobre una versión en miniatura de ese paisaje, el movimiento de los átomos está determinado por las montañas y valles en la hiper superficie de potencial: también se llama dinámica molecular", explica el Dr. Oliver Unke, investigador en Google Research en Berlín.

En contraste con muchas otras aplicaciones del aprendizaje automático, donde una IA suele disponer de cantidades casi ilimitadas de datos, para la predicción de hiper superficies de potencial generalmente solo hay unos pocos datos de referencia cuánticos que deben generarse mediante un enorme poder de cálculo. "Así, la modelización matemática exacta de las propiedades dinámicas moleculares puede ahorrar, por un lado, experimentos de laboratorio costosos y que llevan mucho tiempo, pero requiere, por otro lado, un poder de cálculo desproporcionadamente alto."

"Esperamos que nuestro novedoso algoritmo de Deep Learning — un modelo Transformer que, por primera vez, también tiene en cuenta el espín y la carga de los átomos — conduzca a nuevos conocimientos en química, biología y ciencias de materiales, y eso con un consumo de recursos computacionales mucho menor", afirma Klaus-Robert Müller.

Para lograr una eficiencia de datos especialmente alta, el nuevo modelo de Deep Learning de los investigadores combina la IA con leyes físicas conocidas. Algunos aspectos de la hiper superficie de potencial pueden describirse con gran precisión mediante fórmulas físicas simples. Por ello, el nuevo método solo aprende las partes de la hiper superficie de potencial para las cuales no existe una descripción matemática sencilla. "Muy práctico: la IA solo necesita aprender lo que aún no se sabe de la física", explica Klaus-Robert Müller. Esto permite ahorrar recursos de cálculo.

Separación espacial de causa y efecto

Otra característica especial es que el algoritmo también puede describir interacciones no locales. "No localidad" significa en este contexto que una modificación en un átomo, en una posición geométrica concreta de la molécula, puede influir en átomos en una posición molecular geométrica separada en el espacio. Debido a la separación espacial entre causa y efecto — Albert Einstein habló de "acción a distancia" — estas propiedades de los sistemas cuánticos son particularmente difíciles de aprender para una IA. Los investigadores resolvieron este problema con un llamado Transformer, un método originalmente desarrollado para el procesamiento automático del lenguaje y textos, o también de imágenes. "En un texto, el significado de una palabra o frase suele depender mucho del contexto. Y esa información relevante del contexto puede estar en una sección completamente diferente del texto. En ese sentido, el lenguaje también es de cierta forma no local", explica Klaus-Robert Müller. Con la ayuda de un Transformer, los científicos también pueden distinguir diferentes estados electrónicos de una molécula, como el espín y la carga. "Esto es relevante, por ejemplo, para procesos físicos en celdas solares, donde una molécula absorbe luz y se transfiere a otro estado electrónico", explica Oliver Unke.

Publicación:
Oliver T. Unke, Stefan Chmiela, Michael Gastegger, Kristof T. Schütt, Huziel E. Sauceda y Klaus-Robert Müller: "SpookyNet: Learning force fields with electronic degrees of freedom and nonlocal effects", Nature Communications 12: 7273 (2021)