Una nueva herramienta de aprendizaje automático puede calcular la energía requerida para fabricar, o romper, una molécula con mayor precisión que los métodos convencionales. Si bien la herramienta actualmente solo puede manejar moléculas simples, allana el camino para futuros conocimientos en química cuántica.
"Usar el aprendizaje automático para resolver las ecuaciones fundamentales que rigen la química cuántica ha sido un problema abierto durante varios años, y hay mucha emoción en este momento", dice el cocreador Giuseppe Carleo, científico investigador del Centro del Instituto Flatironpara la física cuántica computacional en la ciudad de Nueva York. Una mejor comprensión de la formación y destrucción de moléculas, dice, podría revelar el funcionamiento interno de las reacciones químicas vitales para la vida.
Carleo y sus colaboradores Kenny Choo de la Universidad de Zurich y Antonio Mezzacapo del Centro de Investigación IBM Thomas J. Watson en Yorktown Heights, Nueva York, presentan su trabajo el 12 de mayo Comunicaciones de la naturaleza .
La herramienta del equipo estima la cantidad de energía necesaria para ensamblar o separar una molécula, como agua o amoníaco. Ese cálculo requiere determinar la estructura electrónica de la molécula, que consiste en el comportamiento colectivo de los electrones que unen a la molécula.
La estructura electrónica de una molécula es algo complicado de calcular, ya que requiere la determinación de todos los estados potenciales en los que podrían estar los electrones de la molécula, más la probabilidad de cada estado.
Dado que los electrones interactúan y se enredan mecánicamente cuánticamente entre sí, los científicos no pueden tratarlos individualmente. Con más electrones, surgen más enredos y el problema se vuelve exponencialmente más difícil. No existen soluciones exactas para moléculas más complejas que lasdos electrones encontrados en un par de átomos de hidrógeno. Incluso las aproximaciones luchan con precisión cuando involucran más de unos pocos electrones.
Uno de los desafíos es que la estructura electrónica de una molécula incluye estados para un número infinito de orbitales que se alejan más y más de los átomos. Además, un electrón es indistinguible de otro, y dos electrones no pueden ocupar el mismo estado. Este últimoLa regla es una consecuencia de la simetría de intercambio, que gobierna lo que sucede cuando partículas idénticas cambian de estado
Mezzacapo y sus colegas de IBM Quantum desarrollaron un método para restringir el número de orbitales considerados e imponer la simetría de intercambio. Este enfoque, basado en métodos desarrollados para aplicaciones de computación cuántica, hace que el problema sea más similar a los escenarios en los que los electrones están confinados a ubicaciones predeterminadas,como en una red rígida.
La similitud con las redes rígidas fue la clave para hacer que el problema fuera más manejable. Carleo previamente entrenó redes neuronales para reconstruir el comportamiento de los electrones confinados en los sitios de una red. Al extender esos métodos, los investigadores pudieron estimar soluciones a los problemas compactos de MezzacapoLa red neuronal del equipo calcula la probabilidad de cada estado. Utilizando esta probabilidad, los investigadores pueden estimar la energía de un estado dado. El nivel de energía más bajo, denominado energía de equilibrio, es donde la molécula es la más estable.
Las innovaciones del equipo hicieron que calcular la estructura electrónica de una molécula básica sea más simple y más rápido. Los investigadores demostraron la precisión de sus métodos al estimar cuánta energía se necesitaría para separar una molécula del mundo real, rompiendo sus enlaces. Hicieron cálculos para dihidrógenoH2, hidruro de litio LiH, amoníaco NH3, agua H2O, carbono diatómico C2 y dinitrógeno N2. Para todas las moléculas, las estimaciones del equipo demostraron ser altamente precisas incluso en rangos donde los métodos existentes luchan.
En el futuro, los investigadores apuntan a abordar moléculas más grandes y complejas mediante el uso de redes neuronales más sofisticadas. Un objetivo es manejar productos químicos como los que se encuentran en el ciclo del nitrógeno, en el que los procesos biológicos construyen y rompen moléculas basadas en nitrógeno para producir"Queremos que sea una herramienta que los químicos puedan usar para procesar estos problemas", dice Carleo.
Carleo, Choo y Mezzacapo no están solos en el aprendizaje automático para hacer frente a los problemas de la química cuántica. Los investigadores presentaron por primera vez su trabajo en arXiv.org en septiembre de 2019. En ese mismo mes, un grupo en Alemania y otro en Google DeepMinden Londres, cada investigación publicada utiliza el aprendizaje automático para reconstruir la estructura electrónica de las moléculas.
Los otros dos grupos usan un enfoque similar entre sí que no limita el número de orbitales considerados. Sin embargo, esta inclusión es más exigente computacionalmente, un inconveniente que solo empeorará con moléculas más complejas. Con los mismos recursos computacionales, el enfoque de Carleo, Choo y Mezzacapo produce una mayor precisión, pero las simplificaciones hechas para obtener esta precisión podrían introducir sesgos.
"En general, es una compensación entre el sesgo y la precisión, y no está claro cuál de los dos enfoques tiene más potencial para el futuro", dice Carleo. "Solo el tiempo nos dirá cuál de estos enfoques puede ampliarse hastadesafiando problemas abiertos en química "
Fuente de la historia :
Materiales proporcionado por Fundación Simons . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :