En la simulación de cómo se congela el agua, la inteligencia artificial rompe el hielo

La simulación resultante describe con precisión cuántica la transición de las moléculas de agua a hielo sólido. Este nivel de precisión, que antes se consideraba inalcanzable debido a la cantidad de potencia de cálculo que requeriría, fue posible cuando los investigadores incorporaron a sus métodos redes neuronales profundas, una forma de inteligencia artificial. El estudio se ha publicado en la revista Proceedings of the National Academy of Sciences.

"En cierto sentido, esto es como un sueño hecho realidad", dijo Roberto Car, profesor de química Ralph W. *31 Dornte de Princeton, que fue co-pionero en el enfoque de simular comportamientos moleculares basados en las leyes cuánticas subyacentes hace más de 35 años. "Nuestra esperanza entonces era que con el tiempo podríamos estudiar sistemas como éste, pero no era posible sin un mayor desarrollo conceptual, y ese desarrollo llegó a través de un campo completamente diferente, el de la inteligencia artificial y la ciencia de los datos".

La capacidad de modelar los pasos iniciales de la congelación del agua, un proceso llamado nucleación del hielo, podría mejorar la precisión de los modelos meteorológicos y climáticos, así como otros procesos como la congelación rápida de alimentos.

El nuevo enfoque permite a los investigadores seguir la actividad de cientos de miles de átomos durante periodos de tiempo miles de veces más largos, aunque todavía sean fracciones de segundo, que en los primeros estudios.

Car co-inventó el enfoque de utilizar las leyes mecánicas cuánticas subyacentes para predecir los movimientos físicos de los átomos y las moléculas. Las leyes de la mecánica cuántica dictan cómo los átomos se unen entre sí para formar moléculas, y cómo las moléculas se unen entre sí para formar objetos cotidianos.

Car y Michele Parrinello, un físico que ahora trabaja en el Istituto Italiano di Tecnologia (Italia), publicaron su método, conocido como dinámica molecular "ab initio" (que significa "desde el principio" en latín), en un artículo pionero en 1985.

Pero los cálculos de mecánica cuántica son complejos y requieren una enorme potencia de cálculo. En la década de 1980, los ordenadores podían simular sólo un centenar de átomos en intervalos de unas pocas trillonésimas de segundo. Los posteriores avances informáticos y la llegada de los modernos superordenadores aumentaron el número de átomos y la duración de la simulación, pero el resultado quedó muy lejos del número de átomos necesarios para observar procesos complejos como la nucleación del hielo.

La IA ofrecía una solución potencialmente atractiva. Los investigadores entrenan una red neuronal, llamada así por sus similitudes con el funcionamiento del cerebro humano, para que reconozca un número comparativamente pequeño de cálculos cuánticos seleccionados. Una vez entrenada, la red neuronal puede calcular con precisión mecánica cuántica las fuerzas entre átomos que nunca antes había visto. Este enfoque de "aprendizaje automático" ya se utiliza en aplicaciones cotidianas como el reconocimiento de la voz y los automóviles de conducción autónoma.

En el caso de la IA aplicada al modelado molecular, una contribución importante se produjo en 2018 cuando el estudiante graduado de Princeton Linfeng Zhang, trabajando con Car y el profesor de matemáticas de Princeton Weinan E, encontró una manera de aplicar las redes neuronales profundas para modelar las fuerzas interatómicas de la mecánica cuántica. Zhang, que se doctoró en 2020 y ahora es investigador científico en el Instituto de Investigación de Grandes Datos de Pekín, llamó a este enfoque "dinámica molecular profunda potencial".

En el artículo actual, Car y el investigador postdoctoral Pablo Piaggi, junto con sus colegas, aplicaron estas técnicas al desafío de simular la nucleación del hielo. Gracias a la dinámica molecular de potencial profundo, fueron capaces de realizar simulaciones de hasta 300.000 átomos utilizando una potencia de cálculo significativamente menor y durante periodos de tiempo mucho más largos de lo que era posible anteriormente. Realizaron las simulaciones en Summit, uno de los superordenadores más rápidos del mundo, situado en el Laboratorio Nacional de Oak Ridge.

Este trabajo proporciona uno de los mejores estudios sobre la nucleación del hielo, dijo Pablo Debenedetti, decano de investigación de Princeton y profesor de la clase de 1950 de Ingeniería y Ciencias Aplicadas, y coautor del nuevo estudio.

"La nucleación del hielo es una de las principales incógnitas de los modelos de predicción meteorológica", dijo Debenedetti. "Este es un paso adelante bastante significativo porque vemos una muy buena concordancia con los experimentos. Hemos podido simular sistemas muy grandes, lo que antes era impensable para los cálculos cuánticos".

En la actualidad, los modelos climáticos obtienen estimaciones de la velocidad de nucleación del hielo principalmente a partir de observaciones realizadas en experimentos de laboratorio, pero estas correlaciones son descriptivas, no predictivas, y son válidas en un rango limitado de condiciones experimentales. En cambio, las simulaciones moleculares del tipo realizado en este estudio pueden producir simulaciones predictivas de situaciones futuras, y pueden estimar la formación de hielo en condiciones extremas de temperatura y presión, como en otros planetas.

"La metodología de potencial profundo utilizada en nuestro estudio ayudará a hacer realidad la promesa de la dinámica molecular ab initio de producir valiosas predicciones de fenómenos complejos, como las reacciones químicas y el diseño de nuevos materiales", dijo Athanassios Panagiotopoulos, catedrático Susan Dod Brown de Ingeniería Química y Biológica y coautor del estudio.

"El hecho de que estudiemos fenómenos muy complejos a partir de las leyes fundamentales de la naturaleza, para mí es muy emocionante", dijo Piaggi, primer autor del estudio e investigador postdoctoral asociado en química en Princeton. Piaggi obtuvo su doctorado trabajando con Parrinello en el desarrollo de nuevas técnicas para estudiar sucesos raros, como la nucleación, mediante simulación por ordenador. Los sucesos raros tienen lugar en escalas de tiempo más largas que los tiempos de simulación que pueden permitirse, incluso con la ayuda de la IA, y se necesitan técnicas especializadas para acelerarlos.

Jack Weis, estudiante de postgrado en ingeniería química y biológica, ayudó a aumentar la probabilidad de observar la nucleación "sembrando" pequeños cristales de hielo en la simulación. "El objetivo de la siembra es aumentar la probabilidad de que el agua forme cristales de hielo durante la simulación, lo que nos permite medir la tasa de nucleación", dijo Weis, que es asesorado por Debenedetti y Panagiotopoulos.

Las moléculas de agua están formadas por dos átomos de hidrógeno y un átomo de oxígeno. Los electrones que rodean a cada átomo determinan cómo los átomos pueden unirse entre sí para formar moléculas.

"Empezamos con la ecuación que describe cómo se comportan los electrones", dijo Piaggi. "Los electrones determinan cómo interactúan los átomos, cómo forman enlaces químicos y prácticamente toda la química".

Los átomos pueden existir literalmente en millones de disposiciones diferentes, dijo Car, que es director del centro Chemistry in Solution and at Interfaces, financiado por la Oficina de Ciencia del Departamento de Energía de EE.UU. y en el que participan universidades regionales.

"La magia consiste en que, gracias a algunos principios físicos, la máquina es capaz de extrapolar lo que ocurre en un número relativamente pequeño de configuraciones de una pequeña colección de átomos a las innumerables disposiciones de un sistema mucho mayor", dijo Car.

Aunque los enfoques de la IA están disponibles desde hace algunos años, los investigadores han sido cautelosos a la hora de aplicarlos a los cálculos de sistemas físicos, dijo Piaggi. "Cuando los algoritmos de aprendizaje automático empezaron a hacerse populares, gran parte de la comunidad científica se mostró escéptica, porque estos algoritmos son una caja negra. Los algoritmos de aprendizaje automático no saben nada de la física, así que ¿por qué íbamos a utilizarlos?".

Sin embargo, en los últimos dos años se ha producido un cambio significativo en esta actitud, dijo Piaggi, no sólo porque los algoritmos funcionan, sino también porque los investigadores están utilizando sus conocimientos de física para informar a los modelos de aprendizaje automático.

Para Car, es satisfactorio ver que el trabajo iniciado hace tres décadas llega a buen puerto. "El desarrollo llegó a través de algo que se desarrolló en un campo diferente, el de la ciencia de los datos y las matemáticas aplicadas", dijo Car. "Tener este tipo de interacción cruzada entre diferentes campos es muy importante".