Soluciones innovadoras para los retos químicos: aprovechar el potencial del aprendizaje automático

07.09.2023
Computer-generated image

Imagen simbólica

En una revisión publicada en Engineering, los científicos exploran el floreciente campo del aprendizaje automático (AM) y sus aplicaciones en química. Bajo el título "Machine Learning for Chemistry: Conceptos básicos y aplicaciones", esta exhaustiva revisión pretende tender un puente entre los químicos y los algoritmos modernos de ML, proporcionando información sobre el potencial del ML para revolucionar la investigación química.

En la última década, el ML y la inteligencia artificial (IA) han avanzado notablemente, acercándonos a la realización de máquinas inteligentes. La aparición de métodos de aprendizaje profundo y la mejora de las capacidades de almacenamiento de datos han desempeñado un papel fundamental en este progreso. El ML ya ha demostrado su éxito en ámbitos como el reconocimiento de imágenes y del habla, y ahora está ganando una atención significativa en el campo de la química, que se caracteriza por datos complejos y moléculas orgánicas diversas.

Sin embargo, los químicos suelen enfrentarse a dificultades a la hora de adoptar aplicaciones de ML debido a su falta de familiaridad con los algoritmos de ML modernos. Los conjuntos de datos de química suelen mostrar un sesgo hacia los experimentos exitosos, mientras que una perspectiva equilibrada requiere la inclusión tanto de experimentos exitosos como fallidos. Además, la documentación incompleta de las condiciones sintéticas en la literatura plantea retos adicionales. La química computacional, en la que los conjuntos de datos pueden construirse de forma fiable a partir de cálculos de mecánica cuántica, ha adoptado más fácilmente las aplicaciones de ML. No obstante, los químicos necesitan unos conocimientos básicos de ML para aprovechar el potencial del registro de datos y de los experimentos guiados por ML.

Esta revisión sirve como guía introductoria a las bases de datos de química más populares, a las características bidimensionales (2D) y tridimensionales (3D) utilizadas en los modelos de ML y a los algoritmos de ML más populares. Profundiza en tres campos específicos de la química en los que el ML ha hecho progresos significativos: la retrosíntesis en química orgánica, la simulación atómica basada en potenciales de ML y el ML para la catálisis heterogénea. Estas aplicaciones han acelerado la investigación o aportado soluciones innovadoras a problemas complejos. La revisión concluye con un análisis de los retos futuros en este campo.

El rápido avance de las instalaciones informáticas y el desarrollo de nuevos algoritmos de ML indican que en el horizonte se vislumbran aplicaciones de ML aún más apasionantes, que prometen remodelar el panorama de la investigación química en la era del ML. Aunque es difícil predecir el futuro en un campo en tan rápida evolución, es innegable que el desarrollo de modelos de ML conducirá a una mayor accesibilidad, generalidad, precisión, inteligencia y, en última instancia, a una mayor productividad. La integración de los modelos de ML con Internet ofrece una vía prometedora para compartir las predicciones de ML en todo el mundo.

Sin embargo, la transferibilidad de los modelos de ML en química plantea un reto común debido a la diversidad de tipos de elementos y a la complejidad de los materiales implicados. A menudo, las predicciones se limitan a conjuntos de datos locales, lo que se traduce en una disminución de la precisión más allá del conjunto de datos. Para abordar este problema, se están explorando nuevas técnicas como el potencial de la red neuronal global (G-NN) y modelos ML mejorados con más parámetros de ajuste. Aunque los concursos de ML en ciencia de datos han producido algoritmos excepcionales, se necesitan más concursos abiertos de ML en química para nutrir a los jóvenes talentos.

El aprendizaje de extremo a extremo, que genera resultados finales a partir de datos de entrada sin procesar y no de descriptores diseñados, promete aplicaciones de ML más inteligentes. AlphaFold2, por ejemplo, utiliza la estructura unidimensional (1D) de una proteína para predecir su estructura 3D. Del mismo modo, en el campo de la catálisis heterogénea, un modelo de IA de extremo a extremo ha resuelto con éxito vías de reacción. Estos modelos avanzados de ML también pueden contribuir al desarrollo de robots experimentales inteligentes para experimentos de alto rendimiento.

Dado que el campo del ML sigue evolucionando rápidamente, es crucial que los químicos e investigadores se mantengan informados sobre sus aplicaciones en química. Esta revisión es un valioso recurso que proporciona una visión general de los fundamentos del ML y de su potencial en diversos campos de la química. Con la integración de los modelos de ML y los esfuerzos colectivos de la comunidad científica, el futuro de la investigación química es inmensamente prometedor.

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

Noticias más leídas

Más noticias de nuestros otros portales

Todos los fabricantes de espectrómetros FT-IR de un vistazo