Simulando la materia a escala cuántica con IA
'Simulating quantum matter with AI'
Resolver algunos de los principales desafíos del siglo XXI, como producir electricidad limpia o desarrollar superconductores de alta temperatura, requerirá que diseñemos nuevos materiales con propiedades específicas. Para hacer esto en una computadora, se requiere la simulación de electrones, las partículas subatómicas que gobiernan cómo los átomos se unen para formar moléculas y también son responsables del flujo de electricidad en los sólidos. A pesar de décadas de esfuerzo y varios avances significativos, modelar con precisión el comportamiento cuántico de los electrones sigue siendo un desafío abierto. Ahora, en un artículo (PDF de Acceso Abierto) publicado en Science, proponemos DM21, una red neuronal que logra una precisión de vanguardia en gran parte de la química. Para acelerar el progreso científico, también estamos liberando nuestro código para que cualquiera lo use.
Hace casi un siglo, Erwin Schrödinger propuso su famosa ecuación que rige el comportamiento de las partículas cuánticas. Aplicar esta ecuación a los electrones en las moléculas es un desafío porque todos los electrones se repelen entre sí. Esto parecería requerir seguir la probabilidad de la posición de cada electrón, una tarea notablemente compleja incluso para un pequeño número de electrones. Un avance importante se produjo en la década de 1960, cuando Pierre Hohenberg y Walter Kohn se dieron cuenta de que no es necesario rastrear cada electrón individualmente. En cambio, conocer la probabilidad de que cualquier electrón esté en cada posición (es decir, la densidad electrónica) es suficiente para calcular exactamente todas las interacciones. Kohn recibió un Premio Nobel de Química después de demostrar esto, fundando así la Teoría del Funcional de la Densidad (DFT, por sus siglas en inglés).
Aunque la DFT demuestra que existe un mapeo, durante más de 50 años se ha desconocido la naturaleza exacta de este mapeo entre la densidad electrónica y la energía de interacción, conocida como el funcional de densidad, y debe aproximarse. A pesar de que la DFT intrínsecamente implica un nivel de aproximación, es el único método práctico para estudiar cómo y por qué la materia se comporta de cierta manera a nivel microscópico y, por lo tanto, se ha convertido en una de las técnicas más utilizadas en todas las ciencias. A lo largo de los años, los investigadores han propuesto muchas aproximaciones al funcional exacto con diferentes niveles de precisión. A pesar de su popularidad, todas estas aproximaciones sufren de errores sistemáticos porque no logran capturar ciertas propiedades matemáticas cruciales del funcional exacto.
Al expresar el funcional como una red neuronal e incorporar estas propiedades exactas en los datos de entrenamiento, aprendemos funcionales libres de importantes errores sistemáticos, lo que resulta en una mejor descripción de una amplia clase de reacciones químicas.
- DeepMind El Podcast regresa para la Temporada 2
- Explorando Transformadores de Imagen-Lenguaje para la comprensión d...
- Aprendiendo la transmisión cultural en tiempo real robusta sin dato...
Específicamente, abordamos dos problemas de larga data con los funcionales tradicionales:
- El error de delocalización: En un cálculo de DFT, el funcional determina la densidad de carga de una molécula encontrando la configuración de electrones que minimiza la energía. Por lo tanto, los errores en el funcional pueden llevar a errores en la densidad electrónica calculada. La mayoría de las aproximaciones de funcional de densidad existentes prefieren densidades electrónicas que se extienden de manera irrealista sobre varios átomos o moléculas en lugar de estar correctamente localizadas alrededor de una sola molécula o átomo (ver Figura 2).
- Romper la simetría de espín: Al describir la ruptura de enlaces químicos, los funcionales existentes tienden a preferir configuraciones en las que se rompe una simetría fundamental conocida como simetría de espín. Dado que las simetrías desempeñan un papel vital en nuestra comprensión de la física y la química, esta ruptura artificial de la simetría revela una deficiencia importante en los funcionales existentes.
En principio, cualquier proceso químico-físico que involucre movimiento de carga puede sufrir errores de delocalización, y cualquier proceso que involucre la ruptura de enlaces puede sufrir de la ruptura de la simetría de espín. El movimiento de carga y la ruptura de enlaces son fundamentales para muchas aplicaciones tecnológicas importantes, pero estos problemas también pueden llevar a fallas cualitativas masivas de los funcionales para describir las moléculas más simples, como el hidrógeno. Dado que la DFT es una tecnología tan crucial, es importante diseñar funcionales que obtengan correctamente esta química simple antes de pedirles que expliquen interacciones moleculares mucho más complejas, como las que pueden ocurrir en una batería o una célula solar.
Estos desafíos de larga data están relacionados con cómo se comportan las funcionales cuando se presentan con un sistema que exhibe un “carácter de electrón fraccionario”. Al usar una red neural para representar la funcional y adaptar nuestro conjunto de datos de entrenamiento para capturar el comportamiento de electrón fraccionario esperado para la funcional exacta, encontramos que podíamos resolver los problemas de deslocalización y ruptura de la simetría de espín. Nuestra funcional también demostró ser altamente precisa en amplias pruebas de referencia a gran escala, lo que sugiere que este enfoque basado en datos puede capturar aspectos de la funcional exacta que hasta ahora han sido esquivos.
Durante años, las simulaciones por computadora han desempeñado un papel central en la ingeniería moderna, permitiendo proporcionar respuestas confiables a preguntas como “¿se mantendrá en pie este puente?” a “¿logrará este cohete llegar al espacio?”. A medida que la tecnología se dirige cada vez más a la escala cuántica para explorar cuestiones sobre materiales, medicamentos y catalizadores, incluidos aquellos que nunca hemos visto ni siquiera imaginado, el aprendizaje profundo muestra promesa para simular con precisión la materia a este nivel mecánico cuántico.
