Las computadoras sobresalen en la clase de química
Los modelos de aprendizaje automático pueden estimar con rapidez y precisión los parámetros químicos clave relacionados con la reactividad molecular
La creación de ordenadores que puedan enseñarse a sí mismos cómo la estructura química dicta las propiedades fundamentales de las moléculas y luego usar ese conocimiento para predecir las propiedades de las nuevas moléculas podría ayudar a diseñar sistemas de energía más limpia e industriales.
Los investigadores de KAUST están haciendo converger el aprendizaje de las máquinas con la generación de datos termodinámicos.
© 2020 KAUST
Los investigadores de KAUST han desarrollado un modelo de aprendizaje de máquinas que puede analizar la estructura de las moléculas de hidrocarburos y predecir con precisión una propiedad llamada entalpía de formación. Cuando se trata de estimar esta propiedad, el modelo ya hace mejores predicciones que los enfoques convencionales, y su precisión sólo mejorará a medida que se recojan más datos para que el modelo aprenda de ellos.
"Los datos sobre las propiedades moleculares, como la entalpía de formación, son esenciales para los ingenieros que modelan los mecanismos cinéticos, o los flujos de energía, de las reacciones químicas", dice Kiran Yalamanchi, estudiante de doctorado en el grupo de investigación de Mani Sarathy, que dirigió la investigación. "Los mecanismos cinéticos de los combustibles de hidrocarburos son importantes para el desarrollo y la optimización de los diseños de los motores y los reactores químicos", dice Yalamanchi.
La generación de los grandes conjuntos de datos termodinámicos necesarios para el modelado de los mecanismos cinéticos utiliza típicamente un enfoque llamado aditividad de grupo, que tiene una precisión limitada. "La aditividad de grupo se desarrolló a mediados del siglo XX, y el campo de la ciencia de los datos ha avanzado mucho en las últimas décadas", dice Yalamanchi.
Así que Yalamanchi y Sarathy se acercaron al científico informático de KAUST, Xin Gao, para aplicar el aprendizaje de la máquina al problema. "Nuestro estudio inicial dio resultados muy prometedores", dice Yalamanchi. "Este potencial nos ayudó a empujar hacia la convergencia del aprendizaje de máquinas con la generación de datos termodinámicos."
El aprendizaje automático ofrece una forma de tomar la entalpía de los datos de la formación, medidos experimentalmente, o calculados para un pequeño número de moléculas usando cálculos de química cuántica muy precisos pero lentos, y luego extrapolarlos a un rango mucho más amplio de moléculas.
El programa de aprendizaje de la máquina analizó un conjunto de datos de "formación" de las estructuras de las moléculas y sus entalpías de formación. Luego usó los patrones que detectó para predecir la entalpía de formación de moléculas que no había visto antes.
El aprendizaje automático demostró ser mucho más preciso que el enfoque tradicional de la aditividad de grupo. "Obtuvimos mejores estimaciones de la entalpía de la formación de especies químicas usando métodos de aprendizaje por máquina en comparación con los métodos tradicionales", dice Yalamanchi.
Por ejemplo, aunque la aditividad de grupo tradicional puede hacer predicciones relativamente buenas para moléculas simples con estructuras lineales, su precisión disminuye con moléculas más complejas, como las que incorporan anillos de carbono en su estructura. "La mejora que vimos en las estimaciones de la entalpía de formación, en comparación con la aditividad de grupo tradicional, fue aún más significativa en el caso de las especies cíclicas", añade Yalamanchi.
"Los resultados sugieren que el aprendizaje de la máquina se convertirá en una herramienta cada vez más importante en el campo", dice Sarathy. "La capacidad de predecir con precisión importantes propiedades termodinámicas a partir de descriptores moleculares es un paso importante hacia el desarrollo de algoritmos totalmente automatizados para la predicción de fenómenos químicos más complejos", añade.
El equipo está ahora ejecutando cálculos de química cuántica de alta precisión para ampliar el conjunto de datos de formación de los modelos de aprendizaje de la máquina. "De esta manera, estamos desarrollando un marco híbrido de inteligencia artificial de primer orden para realizar predicciones más precisas de muchas propiedades físico-químicas", dice Sarathy.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
![Visualización de la catálisis de la [Fe]-hidrogenasa mediante espectroscopia de resonancia magnética nuclear potenciada con parahidrógeno](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
