La inteligencia artificial resuelve la ecuación de Schrödinger

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.

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.

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”.

Fuente: europapress.es