El Grupo de Química Teórica y Computacional de la Universidad de Oviedo (Qtcovi) , en colaboración con la Universidad de Luxemburgo, ha desarrollado una arquitectura de inteligencia artificial, ‘machine learning’, que mejora significativamente la precisión y la interpretación de las predicciones químicas a gran escala. Este descubrimiento fue publicado en la revista Nature Communications.
La arquitectura está diseñada en base a una red neuronal artificial que puede predecir propiedades químicas locales con alta precisión y consistencia física. Esta innovación promete revolucionar la comprensión de la química al realizar predicciones cuantitativas precisas y proporcionar interpretaciones químicas fáciles de entender.
Investigadores El estudio explica que, tradicionalmente, la descripción rigurosa de la química se ha limitado a estudios de moléculas pequeñas debido a sus altas propiedades químicas. coste de cálculo. Esta situación ha cambiado con la aparición de modelos de inteligencia artificial que ayudan a predecir innumerables descripciones y propiedades químicas sin tener que realizar los cálculos de mecánica cuántica que normalmente requieren los algoritmos. Por ello, en los últimos años se ha incrementado el desarrollo de modelos de inteligencia artificial capaces de simular por ordenador moléculas grandes y complejas en unas pocas fracciones de segundo.
La arquitectura desarrollada por el equipo, denominada SchNet4AIM, utiliza la red anterior. Aprenda de forma independiente a describir el entorno químico de cada átomo de la molécula. Luego, la segunda red crea un espacio latente para conectar cada uno de estos descriptores con el espacio de propiedades químicas. Esta estrategia permite reconstruir las propiedades de la molécula como una combinación de términos atómicos y asociados.
Los resultados obtenidos demuestran que esta estrategia permite realizar predicciones extremadamente precisas y físicamente consistentes de los átomos y sus contrapartes. La gran novedad, subrayan, radica en la generalización y transferibilidad de los modelos
«Lo que nos sorprendió fue que SchNet4AIM fue capaz de predecir con precisión que las moléculas son mucho más complejas que las observadas durante el entrenamiento», afirman. enfatizó. .
En este sentido, explican que la mayoría de los modelos químicos de inteligencia artificial fallan cuando se utilizan fuera de su alcance de conocimiento, a esto se le llama extrapolación.
