Un equipo con sede en la Universidad de Princeton simuló con precisión los pasos iniciales de la formación de hielo aplicando inteligencia artificial (IA) para resolver ecuaciones que gobiernan el comportamiento cuántico de átomos y moléculas individuales.
La simulación resultante describe cómo las moléculas de agua se transforman en hielo sólido con precisión cuántica. Este nivel de precisión, que alguna vez se consideró inalcanzable debido a la cantidad de potencia informática que requeriría, se hizo posible cuando los investigadores incorporaron redes neuronales profundas, una forma de inteligencia artificial, en sus métodos. El estudio fue publicado en la revista Procedimientos de la Academia Nacional de Ciencias.
«En cierto sentido, esto es como un sueño hecho realidad», dijo Roberto Car, profesor de química Ralph W. *31 Dornte de Princeton, quien fue uno de los pioneros en el enfoque de simulación de comportamientos moleculares basados en las leyes cuánticas subyacentes hace más de 35 años. . «Nuestra esperanza entonces era que eventualmente pudiéramos estudiar sistemas como este, pero no fue posible sin un mayor desarrollo conceptual, y ese desarrollo se produjo a través de un campo completamente diferente, el de la inteligencia artificial y la ciencia de datos».
La capacidad de modelar los pasos iniciales en el agua congelada, un proceso llamado nucleación de hielo, podría mejorar la precisión de los modelos meteorológicos y climáticos, así como otros procesos como la congelación instantánea de alimentos.
El nuevo enfoque permite a los investigadores rastrear la actividad de cientos de miles de átomos durante períodos de tiempo que son miles de veces más largos, aunque solo fracciones de segundo, que en los primeros estudios.
Car co-inventó el enfoque para usar las leyes mecánicas cuánticas subyacentes para predecir los movimientos físicos de los átomos y las moléculas. Las leyes de la mecánica cuántica dictan cómo los átomos se unen entre sí para formar moléculas y cómo las moléculas se unen entre sí para formar objetos cotidianos.
Car y Michele Parrinello, físico ahora en el Istituto Italiano di Tecnologia en Italia, publicaron su enfoque, conocido como dinámica molecular «ab initio» (en latín, «desde el principio»), en un artículo innovador en 1985.
Pero los cálculos mecánicos cuánticos son complejos y requieren enormes cantidades de potencia informática. En la década de 1980, las computadoras podían simular solo cien átomos en lapsos de unas pocas billonésimas de segundo. Los avances posteriores en computación y el advenimiento de las supercomputadoras modernas aumentaron la cantidad de átomos y el período de tiempo de la simulación, pero el resultado estuvo muy por debajo de la cantidad de átomos necesarios para observar procesos complejos como la nucleación del hielo.
AI proporcionó una solución potencial atractiva. Los investigadores entrenan una red neuronal, llamada así por sus similitudes con el funcionamiento del cerebro humano, para reconocer un número comparativamente pequeño de cálculos cuánticos seleccionados. Una vez entrenada, la red neuronal puede calcular las fuerzas entre átomos que nunca antes había visto con precisión mecánica cuántica. Este enfoque de «aprendizaje automático» ya se usa en aplicaciones cotidianas, como el reconocimiento de voz y los automóviles autónomos.
En el caso de la IA aplicada al modelado molecular, una contribución importante se produjo en 2018 cuando el estudiante graduado de Princeton Linfeng Zhang, en colaboración con Car y el profesor de matemáticas de Princeton Weinan E, encontraron una manera de aplicar redes neuronales profundas para modelar fuerzas interatómicas mecánicas cuánticas. Zhang, quien obtuvo su Ph.D. en 2020 y ahora es científico investigador en el Instituto de Investigación de Big Data de Beijing, llamó al enfoque «dinámica molecular de potencial profundo».
En el artículo actual, Car y el investigador postdoctoral Pablo Piaggi, junto con sus colegas, aplicaron estas técnicas al desafío de simular la nucleación de hielo. Utilizando dinámicas moleculares de potencial profundo, pudieron ejecutar simulaciones de hasta 300.000 átomos utilizando una potencia de cálculo significativamente menor, durante períodos de tiempo mucho más largos de lo que era posible anteriormente. Llevaron a cabo las simulaciones en Summit, una de las supercomputadoras más rápidas del mundo, ubicada en el Laboratorio Nacional de Oak Ridge.
Este trabajo proporciona uno de los mejores estudios de nucleación de hielo, dijo Pablo Debenedetti, decano de investigación de Princeton y profesor de ingeniería y ciencias aplicadas de la promoción de 1950, y coautor del nuevo estudio.
«La nucleación del hielo es una de las principales cantidades desconocidas en los modelos de predicción meteorológica», dijo Debenedetti. «Este es un paso adelante bastante significativo porque vemos una muy buena concordancia con los experimentos. Hemos podido simular sistemas muy grandes, lo que antes era impensable para los cálculos cuánticos».
Actualmente, los modelos climáticos obtienen estimaciones de la rapidez con que se nuclea el hielo principalmente a partir de observaciones realizadas en experimentos de laboratorio, pero estas correlaciones son descriptivas, no predictivas, y son válidas en un rango limitado de condiciones experimentales. Por el contrario, las simulaciones moleculares del tipo realizado en este estudio pueden producir simulaciones que predicen situaciones futuras y pueden estimar la formación de hielo en condiciones extremas de temperatura y presión, como en otros planetas.
«La metodología de potencial profundo utilizada en nuestro estudio ayudará a hacer realidad la promesa de la dinámica molecular ab initio para producir predicciones valiosas de fenómenos complejos, como reacciones químicas y el diseño de nuevos materiales», dijo Athanassios Panagiotopoulos, Profesor de Química Susan Dod Brown. e Ingeniería Biológica y coautor del estudio.
«El hecho de que estemos estudiando fenómenos muy complejos a partir de las leyes fundamentales de la naturaleza, para mí es muy emocionante», dijo Piaggi, el primer autor del estudio e investigador asociado postdoctoral en química en Princeton. Piaggi obtuvo su Ph.D. trabajando con Parrinello en el desarrollo de nuevas técnicas para estudiar eventos raros, como la nucleación, usando simulación por computadora. Los eventos raros tienen lugar en escalas de tiempo que son más largas que los tiempos de simulación que se pueden permitir, incluso con la ayuda de la IA, y se necesitan técnicas especializadas para acelerarlos.
Jack Weis, un estudiante graduado en ingeniería química y biológica, ayudó a aumentar la probabilidad de observar la nucleación «sembrando» diminutos cristales de hielo en la simulación. «El objetivo de la siembra es aumentar la probabilidad de que el agua forme cristales de hielo durante la simulación, lo que nos permite medir la tasa de nucleación», dijo Weis, asesorado por Debenedetti y Panagiotopoulos.
Las moléculas de agua consisten en dos átomos de hidrógeno y un átomo de oxígeno. Los electrones alrededor de cada átomo determinan cómo los átomos pueden unirse entre sí para formar moléculas.
«Comenzamos con la ecuación que describe cómo se comportan los electrones», dijo Piaggi. «Los electrones determinan cómo interactúan los átomos, cómo forman enlaces químicos y prácticamente toda la química».
Los átomos pueden existir literalmente en millones de arreglos diferentes, dijo Car, quien es director del centro de Química en Solución e Interfaces, financiado por la Oficina de Ciencias del Departamento de Energía de EE. UU. e incluye universidades regionales.
«La magia es que debido a algunos principios físicos, la máquina puede extrapolar lo que sucede en un número relativamente pequeño de configuraciones de una pequeña colección de átomos a los innumerables arreglos de un sistema mucho más grande», dijo Car.
Aunque los enfoques de IA han estado disponibles durante algunos años, los investigadores han sido cautelosos al aplicarlos a los cálculos de sistemas físicos, dijo Piaggi. «Cuando los algoritmos de aprendizaje automático comenzaron a popularizarse, una gran parte de la comunidad científica se mostró escéptica, porque estos algoritmos son una caja negra. Los algoritmos de aprendizaje automático no saben nada sobre la física, entonces, ¿por qué los usaríamos?».
En los últimos años, sin embargo, ha habido un cambio significativo en esta actitud, dijo Piaggi, no solo porque los algoritmos funcionan sino también porque los investigadores están utilizando su conocimiento de la física para informar los modelos de aprendizaje automático.
Para Car, es una satisfacción ver fructificar el trabajo iniciado hace tres décadas. «El desarrollo se produjo a través de algo que se desarrolló en un campo diferente, el de la ciencia de datos y las matemáticas aplicadas», dijo Car. «Tener este tipo de interacción cruzada entre diferentes campos es muy importante».
Este trabajo fue apoyado por el Departamento de Energía de EE. UU. (subvención DE-731 SC0019394) y utilizó recursos de Oak Ridge Leadership Computing Facility (subvención DE-AC05-00OR22725) en el Laboratorio Nacional de Oak Ridge. Las simulaciones se realizaron sustancialmente utilizando los recursos informáticos de investigación de Princeton en la Universidad de Princeton. Pablo Piaggi recibió el apoyo de una beca Early Postdoc. Mobility de la Swiss National Science Foundation.
