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
Noticias más leídas
Más noticias de nuestros otros portales
Contenido visto recientemente
Un chatbot abre la química computacional a los no expertos - Una nueva herramienta convierte el complejo proceso de simulación de moléculas en solución en una charla de fácil manejo
Por fin: El plástico resistente puede reciclarse - Nuevo hito: los investigadores reciclan el nailon-6 a temperaturas suaves y sin productos químicos tóxicos
Estrella emergente en el mundo de la energía - Desarrollo de electrodos de MXeno de alto rendimiento para la próxima generación de baterías potentes
Identificado en un estudio brasileño un nuevo blanco para el tratamiento del melanoma - Resultados de experimentos publicados en la revista Oncotarget indican que la inhibición de un ARN no codificante denominado RMEL3 puede reducir hasta un 95% la proliferación y la supervivencia de las células tumorales
Desarrollar nuevas técnicas para mejorar la microscopía de fuerza atómica - Las mejoras aumentarán la versatilidad y la precisión del instrumento
De la basura al tesoro: aprovechar los residuos industriales para almacenar energía - Por primera vez se utilizan residuos orgánicos no deseados en la investigación de baterías de flujo redox
BASF inaugura el Centro de Innovación y Tecnología Chemetall para soluciones de tratamiento de superficies en China
Medición del gemelo mortal del etanol
Un investigador desarrolla un sistema digital de alto rendimiento para adaptar polímeros - Predicción rápida y precisa de las propiedades de los polímeros
Desarrollan un marcador fluorescente antifalsificación - Código dulce con impresión láser
Una empresa de tecnología limpia se lanza a crear una infraestructura de baterías a escala de red para un mayor uso de la energía eólica y solar - Una innovadora batería de flujo redox
