La IA aborda uno de los retos más difíciles de la química cuántica
Una nueva investigación que utiliza redes neuronales, una forma de IA inspirada en el cerebro, propone una solución al difícil reto de modelizar los estados de las moléculas. La investigación muestra cómo la técnica puede ayudar a resolver ecuaciones fundamentales en sistemas moleculares complejos. Esto podría dar lugar a usos prácticos en el futuro, ayudando a los investigadores a crear prototipos de nuevos materiales y síntesis químicas mediante simulación por ordenador antes de intentar fabricarlos en el laboratorio.Dirigido por científicos del Imperial College de Londres y Google DeepMind, el estudio se publica en Science.
Moléculas excitadas
El equipo investigó el problema de entender cómo se produce la transición de las moléculas hacia y desde los "estados excitados". Cuando las moléculas y los materiales son estimulados por una gran cantidad de energía, como la exposición a la luz o a altas temperaturas, sus electrones pueden pasar a una nueva configuración temporal, conocida como estado excitado.
La cantidad exacta de energía absorbida y liberada cuando las moléculas pasan de un estado a otro crea una huella dactilar única para las distintas moléculas y materiales. Esto afecta al rendimiento de tecnologías que van desde los paneles solares y los LED hasta los semiconductores y los fotocatalizadores. También desempeñan un papel fundamental en los procesos biológicos en los que interviene la luz, como la fotosíntesis y la visión.
Sin embargo, esta huella dactilar es extremadamente difícil de modelizar porque los electrones excitados son de naturaleza cuántica, lo que significa que sus posiciones dentro de las moléculas nunca son seguras y sólo pueden expresarse como probabilidades.
En palabras del Dr. David Pfau, investigador principal de Google DeepMind y del Departamento de Física del Imperial: "Representar el estado de un sistema cuántico es extremadamente difícil. Hay que asignar una probabilidad a cada configuración posible de las posiciones de los electrones".
"El espacio de todas las configuraciones posibles es enorme: si intentáramos representarlo como una cuadrícula con 100 puntos en cada dimensión, el número de configuraciones posibles de los electrones del átomo de silicio sería mayor que el número de átomos del universo. Aquí es exactamente donde pensamos que las redes neuronales profundas podrían ayudar".
Redes neuronales
Los investigadores desarrollaron un nuevo enfoque matemático y lo utilizaron con una red neuronal llamada FermiNet (Fermionic Neural Network), que fue el primer ejemplo en el que se utilizó el aprendizaje profundo para calcular la energía de átomos y moléculas a partir de principios fundamentales lo suficientemente precisos como para ser útiles.
El equipo probó su enfoque con una serie de ejemplos, con resultados prometedores. En una molécula pequeña pero compleja llamada dímero de carbono, lograron un error absoluto medio (MAE) de 4 meV (milielectronvoltios, una medida diminuta de la energía), que es cinco veces más cercano a los resultados experimentales que los métodos de referencia anteriores, que alcanzaban los 20 meV.
Según el Dr. Pfau: Pusimos a prueba nuestro método en algunos de los sistemas más complejos de la química computacional, en los que dos electrones se excitan simultáneamente, y descubrimos que estábamos a 0,1 eV de los cálculos más complejos y exigentes realizados hasta la fecha".
"Hoy publicamos nuestro último trabajo en código abierto y esperamos que la comunidad investigadora se base en nuestros métodos para explorar las formas inesperadas en que la materia interactúa con la luz".
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.
