Un nuevo método de IA capta las interacciones atómicas de largo alcance en moléculas complejas
Google DeepMind, BIFOLD y TU Berlín abordan un cuello de botella en la simulación atomística
Anuncios
Investigadores de Google DeepMind en Berlín, BIFOLD y la Universidad Técnica de Berlín han presentado un nuevo método de aprendizaje automático que permite representar de forma más eficiente las interacciones atómicas globales en sistemas químicos. Esto podría permitir simular procesos químicos y de ciencia de materiales con mayor precisión en el futuro, acelerando potencialmente el desarrollo de nuevos fármacos, baterías más eficientes y materiales más sostenibles. El trabajo, titulado "Machine Learning Global Atomic Representations with Euclidean Fast Attention", se publicó en Nature Machine Intelligence en marzo de 2026.
Para entender exactamente cómo funciona, por ejemplo, un medicamento, los científicos deben calcular con precisión cómo se mueven e interactúan entre sí los átomos de las moléculas. Estas simulaciones son la base del desarrollo moderno de fármacos, así como del diseño de nuevos materiales y catalizadores más eficientes. Sin embargo, muchos métodos computacionales alcanzan sus límites cuando se trata de moléculas más grandes que contienen cientos o miles de átomos debido a su complejidad. Modelar sistemas atomísticos es un reto porque cada átomo experimenta simultáneamente fuerzas de muchos otros átomos, incluidos algunos que están lejos, no sólo de sus vecinos inmediatos. El resultado es un sistema multicuerpo muy complejo en el que incluso pequeños cambios en un lugar pueden afectar al comportamiento de todo el sistema.
La nueva representación de estas interacciones se denomina atención rápida euclidiana (EFA).
En este proceso desempeña un papel central un concepto fundamental en el aprendizaje automático moderno conocido como autoatención. Este concepto permite que los modelos evalúen la importancia de las piezas individuales de información en el contexto de toda la demás información, capturando así las relaciones de largo alcance. Sin embargo, a medida que aumenta el número de átomos, el número de interacciones relevantes crece aproximadamente con el cuadrado del número de átomos. Esto hace que el uso de la autoatención para el modelado preciso de sistemas físicos sea extremadamente costoso desde el punto de vista computacional y limita el tamaño de las estructuras atomísticas que pueden simularse en absoluto.
Aquí es exactamente donde entra en juego el nuevo método del equipo de investigación. Los científicos desarrollaron una nueva representación lineal escalar de estas interacciones denominada Atención Rápida Euclidiana (EFA). Se diseñó específicamente para datos en el espacio euclidiano, donde se aplican las reglas de la geometría clásica, por ejemplo, átomos en moléculas y materiales, cuyas posiciones y orientaciones relativas son cruciales para realizar predicciones precisas. Un aspecto clave del planteamiento es que la información espacial puede representarse eficazmente sin violar importantes simetrías físicas. En sus experimentos, los investigadores demuestran que la EFA capta con eficacia distintos efectos de largo alcance y puede describir interacciones químicas para las que los campos de fuerza convencionales de aprendizaje automático pueden producir resultados incorrectos. Esto permite capturar de forma fiable interacciones a grandes distancias, al tiempo que requiere un esfuerzo computacional comparativamente bajo.
"Nuestro enfoque permite dar un nuevo paso importante hacia un modelado más preciso desde el punto de vista de la mecánica cuántica de los sistemas de muchos cuerpos utilizando nuevos métodos de aprendizaje profundo", afirma el profesor Klaus-Robert Müller, codirector de BIFOLD y catedrático de la Universidad Técnica de Berlín.
El trabajo aborda, por tanto, una cuestión clave en el modelado de sistemas multicuerpo en química y física: ¿cómo puede incorporarse la información estructural global a los modelos atomísticos sin sacrificar la eficiencia computacional necesaria para los sistemas de gran tamaño? Dado que el método está diseñado específicamente para trabajar de forma eficiente con moléculas de gran tamaño, también podrá aplicarse en el futuro a sistemas especialmente exigentes, como materiales grandes o complejos. Los autores consideran que el EFA es un planteamiento prometedor para hacer que los métodos de aprendizaje automático sean más robustos y eficientes para las simulaciones químicas y de ciencia de materiales más exigentes.
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
