viernes,21 enero 2022
Espacio euroiberoamericano de diálogo sobre la innovación social, profesional y académica
InicioInnovación y AcademiaAl resolver la ecuación de Schrödinger, la inteligencia artificial abre muchas aplicaciones...
Afectan tanto a la materia orgánica como inorgánica, pues la Inteligencia Artificial (IA) es capaz de penetrar en una molécula y aprender de sus electrones

Al resolver la ecuación de Schrödinger, la inteligencia artificial abre muchas aplicaciones industriales prácticas

Redacción
Científicos de la Freie Universität Berlin han desarrollado un método de inteligencia artificial (IA) para calcular el estado fundamental de la ecuación de Schrödinger en química cuántica, planteada en 1925 por el investigador de ese nombre, según se supo hace una semana. Ello abre muchas aplicaciones prácticas en ámbitos de la química cuántica, que afectan tanto a la materia orgánica como inorgánica, pues la Inteligencia Artificial (IA) es capaz de penetrar en el interior de una molécula y aprender de sus electrones para describir el comportamiento del sistema cuántico que da forma a la materia y a la vida.

La ecuación de Schrödinger, desarrollada por el físico austríaco Erwin Schrödinger en 1925, describe la evolución temporal de una partícula subatómica masiva de naturaleza ondulatoria y no relativista. Es de importancia central en la teoría de la mecánica cuántica, donde representa para las partículas microscópicas un papel análogo a la segunda ley de Newton en la mecánica clásica. Las partículas microscópicas incluyen a las partículas elementales, tales como electrones, así como sistemas de partículas, tales como núcleos atómicos.

El objetivo 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, evitando la necesidad de experimentos de laboratorio que consumen mucho tiempo y recursos. En principio, esto se puede lograr resolviendo la ecuación de Schrödinger, pero en la práctica esto es extremadamente difícil.

Hasta ahora, ha sido imposible encontrar una solución exacta para moléculas arbitrarias que se puedan calcular de manera eficiente. Pero el equipo de Freie Universität ha desarrollado un método de aprendizaje profundo que puede lograr una combinación sin precedentes de precisión y eficiencia computacional.

La IA ha transformado muchas áreas tecnológicas y científicas, desde la visión por computadora hasta la ciencia de los materiales. «Creemos que nuestro enfoque puede tener un impacto significativo en el futuro de la química cuántica», dice en un comunicado el profesor Frank Noé, quien dirigió el esfuerzo del equipo. Los resultados se publican en la revista Nature Chemistry.

Cuatro alternativas y cuatro lenguajes en presencia 

Lo que parece ofrecer ese hallazgo de la IA con aprendizaje profundo es una cuarta alternativa a la llamada función de onda, esa cualidad contra intuitiva que ofrecen las subpartidas atómicas de comportarse al mismo tiempo de maneras opuestas, expresada en lenguaje coloquial por Schrödinger al presentar su famosa ecuación matemática con la metáfora de que su gato podía estar vivo y muerto a la vez. El entendimiento de dicha función que ahora explica la IA o informática recurre así a la vez a cuatro tipo de lenguajes: el objetivo con el que se expresa la naturaleza y los tres inventados por la humanidad para representarla: el lingüístico, el matemático y el informático que combina los anteriores.

En efento: para simular ese comportamiento natural, los ordenadores cuánticos utilizan cúbits, la unidad básica que simula ser a la vez un cero y un uno, capacidad negada por la física clásica pero que se ha demostrado presente en las partículas elementales y permite a los ordenadores cuánticos realizar muchos cálculos al mismo tiempo mientras logran ahorros exponenciales en sus tiempos de procesamiento.

La función de onda es fundamental tanto para la química cuántica como para la ecuación de Schrödinger, un objeto matemático que especifica completamente el comportamiento de los electrones en una molécula. La función de onda es una entidad de alta dimensión y, por lo tanto, es extremadamente difícil capturar todos los matices que codifican cómo los electrones individuales se afectan entre sí. De hecho, muchos métodos de la química cuántica abandonan por completo la expresión de la función de onda y, en cambio, solo intentan determinar la energía de una molécula determinada. Sin embargo, esto requiere que se hagan aproximaciones, lo que limita la calidad de predicción de tales métodos.

Otros métodos representan la función de onda con el uso de una inmensa cantidad de bloques de construcción matemáticos simples, pero tales métodos son tan complejos que son imposibles de poner en práctica para más de un simple puñado de átomos. «Escapar del equilibrio habitual entre precisión y coste computacional es el mayor logro de la química cuántica», explica el Dr. Jan Hermann de Freie Universität Berlin, quien diseñó las características clave del método en el estudio. «Hasta ahora, el valor atípico más popular es la teoría funcional de la densidad extremadamente rentable. Creemos que el enfoque profundo del ‘Monte Carlo cuántico’, el enfoque que proponemos, podría ser igualmente, si no más, exitoso. Ofrece una precisión sin precedentes en un costo computacional todavía aceptable «.

La red neuronal profunda diseñada por el equipo del profesor Noé es una nueva forma de representar las funciones de onda de los electrones. «En lugar del enfoque estándar de componer la función de onda a partir de componentes matemáticos relativamente simples, diseñamos una red neuronal artificial capaz de aprender los patrones complejos de cómo se ubican los electrones alrededor de los núcleos», explica Noé.

«Una característica peculiar de las funciones de onda electrónicas es su antisimetría. Cuando se intercambian dos electrones, la función de onda debe cambiar su signo. Tuvimos que incorporar esta propiedad en la arquitectura de la red neuronal para que el enfoque funcione», agrega Hermann. Esta característica, conocida como ‘principio de exclusión de Pauli’, es la razón por la que los autores llamaron a su método ‘PauliNet’.

Además del principio de exclusión de Pauli, las funciones de onda electrónicas también tienen otras propiedades físicas fundamentales, y gran parte del éxito innovador de PauliNet es que integra estas propiedades en la red neuronal profunda, en lugar de permitir que el aprendizaje profundo las resuelva simplemente observando los datos.

«La integración de la física fundamental en la IA es esencial para su capacidad de realizar predicciones significativas en el campo», dice Noé. «Aquí es realmente donde los científicos pueden hacer una contribución sustancial a la IA, y exactamente en lo que se centra mi grupo».

Aún quedan muchos desafíos por superar antes de que el método de Hermann y Noé esté listo para su aplicación industrial. «Esta sigue siendo una investigación fundamental», coinciden los autores, «pero es un nuevo enfoque a un antiguo problema de las ciencias moleculares y de los materiales, y estamos entusiasmados con las posibilidades que abre».

Cuando la IA penetre en el interior de una molécula y aprenda de sus electrones para afectar a la materia y a la vida

El hallazgo de los investigadores alemanes de introducir la Inteligencia Artificial (IA) en el sistema cuántico que da forma a las moléculas que componen la materia y la vida, según lo interpreta Eduardo Martínez de la Fe en Tendencias 21, tiene importantes aplicaciones porque las moléculas son componentes básicos de la materia y de la vida, pero están formadas por átomos y electrones que no siguen las leyes de la física clásica, sino de la mecánica cuántica.

Esta característica de la arquitectura de la naturaleza ha originado la química cuántica, una rama de la química teórica que describe el comportamiento de la materia a nivel molecular.

Las aplicaciones de la química cuántica abarcan tanto a la materia orgánica como inorgánica, pero ambas están sometidas a las paradojas de la mecánica cuántica.

Una de esas paradojas es la dualidad onda partícula, según la cual una partícula elemental puede comportarse simultáneamente como onda o como partícula: difícil saber dónde y cómo está en cada momento.

Para resolver el problema que representa esta dualidad para las aplicaciones prácticas de la mecánica cuántica, el físico austriaco Erwin Schrödinger ideó en 1925 una ecuación que describía cualquier estado de una partícula como si fuese una onda.

La ecuación permite calcular la probabilidad de que suceda un evento cuántico, aunque el resultado final no se presenta como algo concreto: solo determina las probabilidades de encontrar partículas y ondas en un determinado lugar y momento, pero no el comportamiento preciso de una partícula u onda en particular.

Sin embargo, la solución de la ecuación de Schrödinger es un problema matemático extremadamente difícil en la práctica, para el cual aún no se conoce una solución calculable exacta y eficiente.

Ahora hemos descubierto que la Inteligencia Artificial puede ayudar a resolverla, según una investigación de la Universidad Libre de Berlín cuyos resultados se publican en la revista «Nature Chemistry».

Los autores de esta investigación desarrollaron un proceso de aprendizaje profundo con el que la ecuación de Schrödinger se puede resolver mediante una inédita combinación de precisión y rapidez.

El aprendizaje profundo es una rama de la Inteligencia Artificial que, mediante algoritmos de aprendizaje automático, replica en una máquina la capacidad que tenemos los seres humanos de obtener ciertos tipos de conocimientos.

Más particularmente, el aprendizaje profundo replica la capacidad cerebral de análisis predictivo, que nos permite hacer predicciones acerca del futuro o de acontecimientos no conocidos, justo lo que busca la ecuación de Schrödinger​​.

«Creemos que nuestro enfoque tendrá un impacto significativo en la química cuántica», dice el director de esta investigación, Frank Noé, en un comunicado.

El objetivo de la mecánica cuántica es predecir las propiedades químicas y físicas de las moléculas únicamente sobre la base de la disposición espacial de sus átomos. De este modo se pueden evitar los costosos y laboriosos experimentos de laboratorio, explican los investigadores.

El objeto central de la ecuación de Schrödinger aplicada a la química cuántica es la función de onda, es decir, un cálculo matemático que describe el comportamiento de los electrones en el interior de la molécula, en función de probabilidades predecibles.

La función de onda es extremadamente difícil de describir en todos sus matices, por lo que muchas veces ni siquiera se intenta: la ecuación determina más bien la energía de una molécula, sin ir más lejos.

Otros métodos utilizados hasta ahora ensamblan la función de onda con una gran cantidad cálculos matemáticos, lo que los hace inviables desde el punto de vista informático para un cálculo exacto de solo un puñado de átomos, explican los investigadores.

El procedimiento propuesto por la nueva investigación integra en la IA las propiedades físicas fundamentales del sistema cuántico de las moléculas y obtiene unos resultados que combinan precisión y eficiencia computacional en la descripción de la dinámica de sus partículas, destaca otro de los científicos, Jan Hermann.

La red neuronal profunda desarrollada en este trabajo es un enfoque completamente nuevo para la representación de las funciones de onda electrónicas: aprende los patrones de movimiento complejos de los electrones alrededor de los núcleos atómicos y calcula así con mayor precisión las probabilidades del comportamiento del sistema cuántico de las moléculas.

De esta forma, la IA puede resolver con mayor eficiencia y rapidez la difícil ecuación de Schrödinger, uno de los grandes desafíos de la física, aunque los autores reconocen que todavía quedan muchos retos por resolver antes de que su ingenioso método pueda utilizarse para aplicaciones industriales.

No es la primera vez que la IA se adentra en el universo cuántico. Este mismo año investigadores rusos crearon una red neuronal capaz de predecir el comportamiento de un sistema cuántico y de determinar si representa una ventaja cuántica respecto a otros dispositivos.

Referencia

Deep-neural-network solution of the electronic Schrödinger equation. Jan Hermann et al. Nature Chemistry, volume 12, pages891–897(2020). DOI:https://doi.org/10.1038/s41557-020-0544-y

Foto: Gerald. Pixabay.

 

 

 

 

 

De interés

Artículos Relacionados