El logro abre inmensas posibilidades para el desarrollo de la química cuántica.
Un equipo de investigadores de la Freie Universität, en Berlín, ha conseguido desarrollar un método basado en Inteligencia Artificial para resolver el estado fundamental de la ecuación de Schrödinger en química cuántica. 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, lo que evita tener que hacer costosos y largos experimentos de laboratorio que consumen una gran cantidad de recursos.
En teoría, eso solo sería posible resolviendo la ecuación de Schrödinger, algo que en la práctica resulta extremadamente difícil.
Hasta ahora, en efecto, había sido imposible encontrar una solución exacta de la ecuación para aplicarla al estudio y desarrollo de moléculas, ya que los cálculos necesarios son tan complicados que a menudo no resulta práctico abordarlos.
Pero los investigadores de la Freie Universität han abordado el problema desde un punto de vista totalmente distinto, desarrollando un método de deep learning «aprendizaje profundo» que ha demostrado ser capaz de conseguir una combinación sin precedentes de precisión y eficiencia computacional. «Creemos que nuestro enfoque —afirma Frank Noé, director del estudio— puede tener 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 como la ecuación de Schrödinger, formulada en 1925 por el físico austríaco Erwin Schrödinger, se basan en un parámetro fundamental llamado «función de onda», un objeto matemático que especifica cómo es el comportamiento de los electrones dentro de una molécula.
La función de onda, sin embargo depende de un gran número de variables, por lo que es extremadamente difícil capturar todos y cada uno de los matices que determinan cómo exactamente cada electrón individual interactúa con todos 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 cantidad de «ladrillos» matemáticos simples, pero tales métodos resultan tan complejos que son imposibles de poner en práctica para más allá de un simple puñado de átomos.
«Escapar del equilibrio habitual entre precisión y coste computacional —explica Jan Hermann, coautor de la investigación— es el mayor logro de la química cuántica. Creemos que el método Quantum Monte Carlo, el enfoque que proponemos, podría tener el mismo éxito, si no más, que los métodos más populares, porque ofrece una precisión sin precedentes a un coste computacional que aún es aceptable».
Una nueva aproximación
La red neuronal profunda diseñada por el equipo de Noé es, de hecho, una 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 —explica el investigador—, diseñamos una red neuronal artificial capaz de aprender los patrones complejos de cómo se ubican los electrones alrededor de los núcleos».
«Una característica peculiar de las funciones de ondas electrónicas —añade Hermann— es su antisimetría. Cuando se intercambian dos electrones, la función de onda debe cambiar de signo. Tuvimos que construir esta propiedad en la arquitectura de la red neuronal para que el enfoque funcionara». Esta característica, conocida como «principio de exclusión de Pauli» es la razón por la que los científicos bautizaron su método como «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. «Incorporar la física fundamental a la IA es esencial para su capacidad de realizar predicciones significativas —dice Noé—. Aquí es realmente 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 listo para su aplicación industrial. «Esta sigue siendo una investigación fundamental —escriben los autores— pero 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».
