Un elenco de estudiosos de la Freie Universität, en Berlín, ha conseguido desarrollar un tratamiento basado en Inteligencia Artificial para solucionar el estado fundamental de la ecuación de Schrödinger en química cuántica. La meta de la química cuántica es predecir las propiedades químicas y físicas de las moléculas basándose únicamente en la disposición de sus átomos en el espacio, lo cual evita contar que hacer costosos y largos experimentos de laboratorio que consumen una enorme volumen de recursos. En teoría, eso Solo sería posible resolviendo la ecuación de Schrödinger, algo que en la práctica resulta extremadamente difícil. Hasta el instante, en efecto, había sido imposible hallar una solución exacta de la ecuación para aplicarla al estudio y crecimiento de moléculas, Porque los cálculos necesarios son tan complicados que a menudo no resulta práctico abordarlos. Sin embargo los investigadores de la Freie Universität han abordado el problema A partir de un punto de vista absolutamente distinto, desarrollando un método de deep learning «aprendizaje profundo» que ha demostrado ser capaz de conseguir una combinación sin anteriores de precisión y eficiencia computacional. «Creemos que nuestro enfoque —afirma Frank Noé, director del estudio— puede poseer un impacto significativo en el futuro de la química cuántica». Los resultados del trabajo se acaban de publicar en «Nature Chemistry». La esquiva función de onda
Tanto la química cuántica Del mismo modo que la ecuación de Schrödinger, formulada en 1925 por el físico austriaco Erwin Schrödinger, se basan en un parámetro fundamental llamado «función de onda», un objeto matemático que especifica de qué manera es el comportamiento de los electrones dentro de una molécula. La función de onda, Si es que bien depende de un gran número de variables, por lo que es extremadamente bastante difícil capturar todos los matices que determinan cómo exactamente cada electrón individual interactúa con todos y cada uno de los demás que hay en la molécula. De hecho, muchos métodos para el estudio de la química cuántica prescinden por completo de la función de onda y, en cambio, se conforman con determinar la cantidad total de energía de una molécula determinada. Lo cual se traduce en resultados inexactos y aproximaciones que limitan la capacidad de predicción de esos métodos. Otras técnicas, por el contrario, representan las complejidades de la función de onda utilizando una inmensa volumen de «ladrillos» matemáticos simples, No obstante semejantes métodos resultan tan complejos que son imposibles de colocar en práctica para más allá de un simple puñado de átomos. «Escapar del equilibrio típico entre precisión y precio computacional —explica Jan Hermann, coautor de la investigación— es el mayor logro de la química cuántica. Pensamos que el método Quantum Monte Carlo, el enfoque que proponemos, podría poseer el mismo logro, si no más, que los métodos más populares, por el hecho de que ofrece una precisión sin precedentes a un costo computacional que Todavía es aceptable». Una nueva aproximación La red neuronal profunda diseñada por el Plantel de Noé es, De hecho, una forma de representar las funciones de onda de los electrones. «En sector del enfoque estándar de componer la función de onda A partir de componentes matemáticos parcialmente simples —explica el investigador—, diseñamos una red neuronal artificial capaz de aprender los patrones complejos de cómo se ubican los electrones cerca de de los núcleos». «Una característica peculiar de las funciones de ondas electrónicas —añade Hermann— es su antisimetría. En el momento en que se intercambian dos electrones, la función de onda tiene que cambiar de signo. Tuvimos que construir esta propiedad en la arquitectura de la red neuronal a fin de que el enfoque funcionara». Esta característica, famosa De esta forma tal y como «principio de exclusión de Pauli» es la razón por la que los científicos bautizaron su procedimiento De exactamente la misma manera que «PauliNet». a su vez del principio de exclusión de Pauli, las funciones de onda electrónicas Asimismo tienen otras propiedades físicas fundamentales, y gran comunicado del éxito innovador de PauliNet es que integra estas propiedades en la red neuronal profunda. «Incorporar la física fundamental a la IA es importante para su capacidad de efectuar predicciones significativas —dice Noé—. Aquí es verdaderamente donde los científicos pueden hacer una contribución sustancial a la IA, y ese es exactamente en lo que se centra mi grupo». Por supuesto, Aún quedan muchos desafíos por superar Antes de que el método de Hermann y Noé esté preparado para su aplicación industrial. «Esta sigue siendo una investigación fundamental —escriben los autores— No obstante Se trata de un nuevo enfoque para un antiguo problema en las ciencias moleculares y de materiales, y estamos entusiasmados con las posibilidades que abre».