Realista y preciso

Las propiedades cuánticas de los átomos marcan innumerables procesos bioquímicos y físicos. Muchos desafíos científicos están relacionados con la comprensión de la interacción de muchos átomos a lo largo del tiempo. Estas interacciones están sujetas a las leyes de la mecánica cuántica. Los ejemplos van desde la formación de estructuras de ácidos nucleicos en el material genético hasta la descomposición de moléculas dañinas en la atmósfera.

Un desafío particular de estos sistemas cuánticos son sus correlaciones en el espacio y el tiempo: sus propiedades más interesantes no resultan de la suma de las contribuciones de átomos individuales, sino de diversas correlaciones atómicas. Como resultado, no es sencillo modelar matemáticamente los sistemas cuánticos. Una modelación directa de las complicadas correlaciones superaría las capacidades de cálculo existentes. Un equipo internacional de científicos del Berlin Institute for the Foundations of Learning and Data (BIFOLD) en la TU Berlín, la Université du Luxembourg y Google ha desarrollado con éxito un algoritmo de aprendizaje automático para resolver precisamente este problema.

El algoritmo de aprendizaje desarrollado reconstruye los llamados campos de fuerza globales basándose en métodos de aprendizaje automático (ML), sin realizar simplificaciones inadmisibles. El término campos de fuerza globales en este contexto describe el enfoque de considerar todas las interacciones atómicas (como electrostáticas, químicas, etc.) en una molécula, en contraste con la práctica habitual de reducir el número de interacciones atómicas modeladas por motivos de calculabilidad.

Más que la suma de las partes

"Los estados cuánticos de las partículas elementales están inseparablemente conectados y sus componentes no pueden actuar de manera independiente sin afectar al sistema en su conjunto", explica el Dr. Alexandre Tkatchenko, profesor de Física Química Teórica en la Université du Luxembourg. Esta propiedad es una de las diferencias más profundas entre la mecánica cuántica y las interacciones clásicas newtonianas y electrostáticas, que son conocidas intuitivamente por la experiencia cotidiana. También representa un dilema en la modelación de sistemas cuánticos: un paradigma omnipresente en el desarrollo de algoritmos y un componente importante en la modelación de interacciones atómicas es dividir un problema en partes más pequeñas e independientes para reducir la carga computacional. Sin embargo, en los sistemas cuánticos esto no es posible debido a las propiedades mencionadas anteriormente.

Los campos de fuerza globales, capaces de captar las interacciones colectivas de muchos átomos en sistemas moleculares, solo pueden escalarse con métodos de aprendizaje automático hasta unas pocas decenas de átomos, ya que la complejidad del modelo aumenta significativamente con el tamaño del sistema investigado. Precisamente este desafío abordó el equipo, desarrollando un algoritmo para entrenar campos de fuerza globales en sistemas de hasta varios cientos de átomos, sin ignorar las correlaciones complejas. Su enfoque descompone las interacciones atómicas fuertemente acopladas dentro del modelo en una llamada parte colectiva de baja dimensión, que contiene patrones recurrentes de interacción, y en un residuo que describe las contribuciones de interacciones individuales. Esta separación permite resolver ambas partes del problema de reconstrucción del campo de fuerza de manera independiente. Además, se consideran las propiedades numéricas de cada subproblema, provocadas por errores de redondeo inevitables en los cálculos computarizados. De este modo, los campos de fuerza globales pueden ser reconstruidos a partir de conjuntos de datos de referencia más grandes, para representar interacciones más complejas, como las que ocurren en sistemas grandes con muchos átomos o en moléculas especialmente flexibles. "Las propiedades numéricas de los algoritmos de aprendizaje a menudo tienen un impacto mayor del que la formulación matemática sugiere y pueden distorsionar los resultados", dice el Dr. Stefan Chmiela, director del grupo de Aprendizaje Automático para Sistemas Multicuerpo en BIFOLD.

La eficiencia del método determina su uso

Una ventaja adicional del método desarrollado es que puede paralelizarse en varias computadoras. Elimina cuellos de botella algorítmicos y permite el uso efectivo del hardware de cálculo paralelo moderno, como las GPU. "El éxito de los algoritmos de aprendizaje automático a menudo depende de qué tan eficientemente se ejecutan y escalan en el hardware de computación disponible", explica el Prof. Dr. Klaus-Robert Müller, codirector de BIFOLD.

"Este trabajo es un paso importante para simular de manera realista las simulaciones cuánticas de sistemas con cientos de átomos", comenta el Dr. Oliver Unke, científico de Google. Los investigadores ya realizaron con éxito simulaciones dinámicas de complejos supramoleculares en escalas de tiempo desafiantes. Simulaciones similares se realizan rutinariamente en la industria farmacéutica para identificar compuestos con propiedades específicas como posibles candidatos a nuevos medicamentos. "Los métodos de aprendizaje automático prometen una convergencia entre modelos cuánticos precisos y soluciones empíricas eficientes. Tienen el potencial de acelerar la investigación científica en química cuántica, ofreciendo posibilidades completamente nuevas para comprender mejor las interacciones atómicas en sistemas físicos complejos", explica Alexandre Tkatchenko.

Publicación:

Stefan Chmiela, Valentin Vassilev-Galindo, Oliver T. Unke, Adil Kabylda, Huziel E. Sauceda, Alexandre Tkatchenko y Klaus-Robert Müller: "Campos de fuerza globales precisos de aprendizaje automático para moléculas con cientos de átomos", Science Advances, 9(2), 2023, eadf0873
DOI: 10.1126/sciadv.adf0873

Para más información, contacte con:
Dr. Stefan Chmiela
BIFOLD
Correo electrónico: stefan@chmiela.com