Conoce la inteligencia artificial que aprendió a resolver problemas en mecánica cuántica

Para describir un sistema cuántico, a menudo es necesario resolver ecuaciones diferenciales que describen las interacciones de las partículas. Estas ecuaciones pueden ser extremadamente complejas de resolver y solo existe una solución numérica. Estas soluciones se encuentran mediante métodos numéricos que realizan iteraciones constantes. El gran problema es que estas iteraciones pueden llevar mucho tiempo.

Cuantas más partículas, más interacciones y más efectos deseados, aumenta la complejidad del sistema y, en consecuencia, el tiempo que lleva resolverlo. Además, en la mecánica cuántica a menudo se requiere una alta precisión, lo que también aumenta el tiempo. Otro problema es el coste computacional que implica, lo que lleva a la necesidad de clusters de ordenadores e incluso hace inviable la resolución de problemas.

Con el avance de la inteligencia artificial, muchos físicos e ingenieros han investigado el uso del aprendizaje automático para acelerar los cálculos. La idea es utilizar datos ya conocidos para alimentar un modelo y hacer que aprenda a resolver sistemas mediante el reconocimiento de patrones. Un grupo de investigadores presentó un modelo que puede encontrar soluciones para calcular la teoría del funcional de densidad.

Cálculos de mecánica cuántica

Un método utilizado en la mecánica cuántica para encontrar propiedades de los electrones en sistemas del ático es la teoría funcional de la densidad (DFT). Con esta técnica, la DFT se ocupa de la densidad de los electrones en lugar de tratar cada electrón por separado. Esto ayuda porque no es necesario incluir cada interacción por separado, lo que aumentaría considerablemente el costo y el tiempo computacional.

Aunque la DFT es una herramienta importante en la mecánica cuántica, existen desafíos como encontrar la aproximación adecuada que pueda describir con precisión el sistema. Además, las iteraciones numéricas para resolver algunos problemas, especialmente en 3D, aún requieren un mayor procesamiento para resolverse. Debido a esto, se necesitan nuevas formas de resolver las ecuaciones.

Acelerando con IA

Un nuevo método que ha surgido es con la ayuda de la inteligencia artificial, más concretamente, el aprendizaje automático. La idea es utilizar datos ya obtenidos numéricamente para entrenar un modelo que pueda resolver un problema sin resolverlo de forma iterativa, lo que consume tiempo y procesamiento. Al aprender el patrón y saber cómo mapear la función, el modelo entrenado podría acelerar el proceso miles de veces.

Un ejemplo muy común es el uso de modelos que resuelven ecuaciones diferenciales parciales, como en el caso de la dinámica de fluidos y de ondas. Estos modelos devuelven soluciones a estas ecuaciones con precisión y en un tiempo reducido. Otro uso es precisamente acelerar los cálculos DFT, permitiendo probar diferentes configuraciones. Abriendo la puerta a encontrar más respuestas para probar una hipótesis.

Visión computacional

En la inteligencia artificial, un campo importante es la visión computacional, que permite a las computadoras analizar y procesar imágenes o videos. En visión por computadora, un modelo se puede entrenar con matrices de diferentes dimensiones. Un tipo de red neuronal muy utilizada para este fin es la red neuronal convolucional, que aprende mediante un proceso llamado convolución.

Una red muy utilizada se llama U-Net, que está formada por redes convolucionales en forma de U. Cada parte de la U representa una región de compresión de la imagen y la otra de expansión intentando reducir el procesamiento. Existen conexiones entre cada región para minimizar la pérdida de información que se produce cuando se reduce la imagen. Además, la red también puede alimentarse con imágenes en 3D.

Modelo

Los investigadores, con el objetivo de acelerar los cálculos de DFT, utilizaron información sobre enlaces químicos como objetivo del modelo. Con datos de moléculas orgánicas llevaron a cabo un proceso de aumento de datos que incluyó rotaciones y deformaciones. Este proceso de aumento de datos ayudó al modelo a reconocer propiedades en diferentes configuraciones.

Luego, el modelo recibió esta información de las moléculas y el resultado fue información sobre los enlaces químicos que se encuentran en estas moléculas. El modelo que pasó a conocerse como DeepSCF se probó utilizando sistemas más complejos. El resultado fue sorprendente donde los cálculos se aceleraron considerablemente abriendo una puerta en el uso de la inteligencia artificial en la mecánica cuántica.

Fuentes y referencias de la noticia:

- Lee & Kim 2024 Convolutional network learning of self-consistent electron density via grid-projected atomic fingerprints npj Computational Materials