Los investigadores desarrollan un nuevo método de aprendizaje automático para modelar reacciones químicas
Investigadores de la Universidad Carnegie Mellon y el Laboratorio Nacional de Los Álamos han utilizado el aprendizaje automático para crear un modelo capaz de simular procesos reactivos en un conjunto diverso de materiales orgánicos y condiciones.
"Es una herramienta que puede utilizarse para investigar más reacciones en este campo", afirma Shuhao Zhang, estudiante de posgrado del Departamento de Química de la Universidad Carnegie Mellon. "Podemos ofrecer una simulación completa de los mecanismos de reacción".
Zhang es el primer autor del artículo que explica la creación y los resultados de este nuevo modelo de aprendizaje automático, "Exploring the Frontiers of Chemistry with a General Reactive Machine Learning Potential", que se publicará en Nature Chemistry el 7 de marzo.
Aunque los investigadores han simulado reacciones con anterioridad, los métodos anteriores presentaban múltiples problemas. Los modelos de campos de fuerza reactivos son relativamente comunes, pero suelen requerir entrenamiento para tipos de reacción específicos. Los modelos tradicionales que utilizan la mecánica cuántica, en los que las reacciones químicas se simulan basándose en la física subyacente, pueden aplicarse a cualquier material y molécula, pero estos modelos requieren el uso de superordenadores.
Este nuevo potencial interatómico de aprendizaje automático general (ANI-1xnr), puede realizar simulaciones para materiales arbitrarios que contengan los elementos carbono, hidrógeno, nitrógeno y oxígeno y requiere mucha menos potencia de cálculo y tiempo que los modelos tradicionales de mecánica cuántica. Según Olexandr Isayev, profesor asociado de química en Carnegie Mellon y director del laboratorio donde se desarrolló el modelo, este avance se debe a los avances en el aprendizaje automático.
"El aprendizaje automático está emergiendo como un potente enfoque para construir diversas formas de potenciales atomísticos transferibles utilizando algoritmos de regresión. El objetivo general de este proyecto es desarrollar un método de aprendizaje automático capaz de predecir la energía y la velocidad de reacción en procesos químicos con gran precisión, pero con un coste computacional muy bajo", explica Isayev. "Hemos demostrado que esos modelos de aprendizaje automático pueden entrenarse a altos niveles de la teoría de la mecánica cuántica y predecir con éxito energías y fuerzas con precisión de mecánica cuántica y un aumento de la velocidad de hasta 6-7 órdenes de magnitud. Se trata de un nuevo paradigma en simulaciones reactivas".
Los investigadores probaron ANI-1xnr en diferentes problemas químicos, como la comparación de aditivos para biocombustibles y el seguimiento de la combustión del metano. Incluso recrearon el experimento de Miller, un famoso experimento químico destinado a demostrar cómo se originó la vida en la Tierra. Con este experimento, comprobaron que el modelo ANI-1xnr producía resultados precisos en sistemas de fase condensada.
Zhang afirmó que el modelo podría utilizarse potencialmente en otras áreas de la química con más formación.
"Descubrimos que podría utilizarse para simular procesos bioquímicos como reacciones enzimáticas", explicó Zhang. "No lo diseñamos para que se utilizara de ese modo, pero tras modificarlo puede servir para ese fin".
En el futuro, el equipo planea perfeccionar ANI-1xnr y permitirle trabajar con más elementos y en más áreas químicas, e intentarán aumentar la escala de las reacciones que puede procesar. Esto podría permitir su uso en múltiples campos en los que el diseño de nuevas reacciones químicas podría ser relevante, como el descubrimiento de fármacos.
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
Shuhao Zhang, Małgorzata Z. Makoś, Ryan B. Jadrich, Elfi Kraka, Kipton Barros, Benjamin T. Nebgen, Sergei Tretiak, Olexandr Isayev, Nicholas Lubbers, Richard A. Messerly, Justin S. Smith; "Exploring the frontiers of condensed-phase chemistry with a general reactive machine learning potential"; Nature Chemistry, 2024-3-7
Más noticias del departamento ciencias
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.
