Un algoritmo de aprendizaje automático de DeepMind predice las propiedades de los materiales mediante la densidad de electrones.

Un equipo dirigido por científicos de la empresa de inteligencia artificial DeepMind, con sede en Londres, 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, descrito en Science, 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 concreta del 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 puede hacerse 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 el descubrimiento o desarrollo de nuevas moléculas, durante décadas se han basado en un conjunto de técnicas llamadas teoría del funcional densidad (DFT, por sus siglas en inglés) 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. «La DFT analiza la densidad de carga promedio, por lo que no sabe cuáles 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, la DFT se ha convertido en una de las técnicas más utilizadas en las ciencias físicas. Una investigación de Nature en 2014 encontró que, de los 100 artículos más citados, 12 eran sobre la DFT. Las bases de datos modernas de propiedades de materiales, como el Materials Project («Proyecto de Materiales»), consisten en gran parte de cálculos en 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 la DFT son mucho más eficientes que los que parten de la teoría cuántica básica, siguen siendo engorrosos y, a menudo, requieren supercomputadoras. En la última década, los químicos teóricos han comenzado a experimentar cada vez más 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 la IA para calcular la densidad de electrones, el resultado final de los cálculos de la 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 la DFT y que ahora está en DeepMind.

El equipo entrenó una red neuronal artificial con datos de 1161 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 la 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 la 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.

Davide Castelvecchi

Artículo traducido y adaptado por Investigación y Ciencia con el permiso de Nature Research Group.

Fuente: investigacionyciencia.es