La ecuación de Schrödinger, desarrollada por el físico austriaco Erwin Schrödinger en 1925, por la que ganó el premio Nobel de Física en 1933, 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. Esas partículas incluyen a los electrones, así como sistemas, 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 había sido imposible encontrar una solución exacta para moléculas arbitrarias que se puedan calcular de manera eficiente, pero el equipo de Freie Universität desarrolló un método de aprendizaje profundo que puede lograr una combinación sin precedente de precisión y eficiencia computacional.

Impacto significativo

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, destacó en un comunicado Frank Noé, quien dirigió el equipo. Los resultados se publican en la revista Nature Chemistry.

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. Es una entidad de alta dimensión y, por tanto, es extremadamente difícil captar 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, sólo 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 técnicas.

Otros métodos la representan con el uso de una inmensa cantidad de bloques de construcción matemáticos simples, pero 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 costo computacional es el mayor logro de la química cuántica, explicó 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 precedente 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 elementos matemáticos relativamente simples, diseñamos una red neuronal artificial capaz de aprender los pautas complejas de cómo se ubican los electrones alrededor de los núcleos, señaló.

Principio de exclusión de Pauli

Una característica peculiar de las funciones de onda electrónicas es su antisimetría. Cuando se intercambian dos electrones, la función de onda debe modificar su signo. Tuvimos que incorporar esta propiedad en la arquitectura de la red neuronal para que el enfoque funcione, agregó 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. Aquí es realmente donde los científicos pueden hacer una contribución sustancial a la inteligencia artificial, y exactamente en lo que se centra mi grupo, sostuvo Noé.

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