Al simular cómo se congela el agua, la IA rompe el hielo

Un equipo de la Universidad de Princeton ha simulado con precisión los pasos iniciales de la formación de hielo aplicando inteligencia artificial (IA) para resolver las ecuaciones que gobiernan el comportamiento cuántico de átomos y moléculas individuales.

La simulación resultante describe cómo moléculas de agua Transición a hielo sólido con precisión cuantitativa. Este nivel de precisión, que alguna vez se consideró inalcanzable debido a la cantidad de potencia informática que requería, fue posible cuando los investigadores combinaron 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.

Roberto Carr, profesor de química en la Universidad de Princeton, Ralph W. *31, quien ha estado involucrado en un enfoque para simular comportamientos moleculares basado en leyes cuánticas fundamentales hace más de 35 años: «En cierto sentido, esto es como un sueño hecho realidad». . «Nuestra esperanza en ese momento era que eventualmente podríamos estudiar sistemas como este, pero eso no era posible sin un mayor desarrollo conceptual, y ese desarrollo se encontró con un campo completamente diferente, el de la inteligencia artificial y la ciencia de datos».

La capacidad de modelar los pasos iniciales en agua congelada, un proceso llamado nucleación de hielo, podría mejorar la precisión de los modelos meteorológicos y climáticos, así como otros procesos de procesamiento, como los alimentos congelados.

El nuevo enfoque permite a los investigadores rastrear la actividad de cientos de miles de átomos en escalas de tiempo miles de veces más largas, aunque solo fracciones de segundo, de lo que lo hicieron en estudios tempranos.

Carr co-inventó un método para usar las leyes básicas de la mecánica cuántica para predecir los movimientos físicos de los átomos y las moléculas. Las leyes de la mecánica cuántica dictan cómo se unen los átomos para formar moléculas y cómo las moléculas se combinan entre sí para formar objetos cotidianos.

Carr y Michele Parinello, físico del Istituto Italiano di Tecnologia en Italia, publicaron su enfoque conocido como «ab initio» (en latín, «desde el principio») de la dinámica molecular, en papel pionero en 1985.

Pero los cálculos de la mecánica cuántica son complejos y requieren enormes cantidades de potencia informática. En la década de 1980, las computadoras solo podían simular cien átomos durante un período 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 rango de tiempo de las simulaciones, pero el resultado estuvo muy por debajo de la cantidad de átomos necesarios para observar procesos complejos como la nucleación del hielo.

La inteligencia artificial presentó una solución potencial atractiva. Los investigadores están entrenando una red neuronal, llamada así por su parecido con el funcionamiento del cerebro humano, para reconocer un número relativamente pequeño de cálculos cuánticos seleccionados. Una vez entrenada, la red neuronal puede calcular fuerzas entre átomos que no ha visto antes con precisión mecánica cuántica. Este enfoque de «aprendizaje automático» ya se está utilizando en aplicaciones cotidianas, como el reconocimiento de voz y los automóviles autónomos.

En el caso de la aplicación de inteligencia artificial al modelado molecular, una contribución importante se produjo en 2018 cuando el estudiante graduado de Princeton Linfeng Zhang, que trabaja con Carr y el profesor de matemáticas de Princeton Wen’an E, encontró un método para una aplicación profunda. Redes neuronales Modelar las fuerzas atómicas de la mecánica cuántica. Zhang, quien recibió su Ph.D. En 2020, ahora es científico investigador en el Instituto de Investigación de Big Data de Beijing, se llama el enfoque «Dinámica molecular profunda potencial. «

En el artículo de investigación actual, el investigador automotriz y postdoctoral Pablo Biagi, junto con sus colegas, aplicaron estas técnicas para desafiar la simulación de nucleación de hielo. Usando dinámicas moleculares de potencial profundo, pudieron ejecutar simulaciones de hasta 300,000 átomos usando mucho menos poder de cómputo, durante períodos de tiempo mucho más largos de lo que era posible anteriormente. Ejecutaron 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 sobre la nucleación del hielo, dijo Pablo Dependetti, decano de investigación de Princeton y profesor de ingeniería y ciencias aplicadas de la clase de la década de 1950, y coautor del nuevo estudio.

“El núcleo de hielo es una de las principales cantidades desconocidas en modelos de pronóstico del tiempoDependetti dijo: «Este es un paso adelante muy importante porque vemos un muy buen acuerdo con los experimentos. Hemos podido simular sistemas muy grandes, que antes eran inimaginables para los cálculos cuánticos».

Corrientemente, modelos climáticos Las estimaciones de la rapidez con que se obtienen los núcleos de hielo se obtienen principalmente a partir de observaciones realizadas en experimentos de laboratorio, pero estas correlaciones son descriptivas más que predictivas y válidas en un rango limitado de condiciones experimentales. Por el contrario, las simulaciones moleculares del tipo realizado en este estudio pueden producir simulaciones predictivas de situaciones futuras y pueden estimar la formación de hielo en condiciones extremas de temperatura y presión, como en otros planetas.

“La metodología de potenciales profundos utilizada en nuestro estudio ayudará a cumplir la promesa de iniciativa dinámica molecular Producir predicciones valiosas para fenómenos complejos, como interacción química «Y el diseño de nuevos materiales», dijo Athanasius Panagiotopoulos, profesor de ingeniería química y biológica Susan Dodd-Brown y coautor del estudio.

«El hecho de que estudiemos fenómenos que son tan complejos a partir de las leyes fundamentales de la naturaleza es muy emocionante para mí», dijo Biagi, el primer autor del estudio e investigador postdoctoral en química en la Universidad de Princeton. Biaggi recibió su Ph.D. Trabajar con Parrinello en el desarrollo de nuevas técnicas para estudiar eventos raros, como la nucleación, utilizando simulaciones por computadora. Los eventos raros ocurren durante períodos de tiempo más largos que los tiempos de simulación, incluso con la ayuda de la inteligencia artificial, y se necesitan técnicas especializadas para acelerarlos.

Jack Weiss, un estudiante graduado en ingeniería química y biológica, ayudó a aumentar la probabilidad de observar la nucleación «plantando» pequeños cristales de hielo en la simulación. “El objetivo de la siembra es aumentar la posibilidad 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 están formadas por 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 Biaggi. «Los electrones determinan cómo interactúan los átomos, cómo forman enlaces químicos y casi toda la química».

dijo Carr, director corporativo Química en solución e interfases El centro, financiado por la Oficina de Ciencias del Departamento de Energía de EE. UU., 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 para un pequeño grupo de átomos a arreglos infinitos de un sistema mucho más grande», dijo Carr.

Aunque los métodos de IA han estado disponibles durante varios años, los investigadores han sido cautelosos al aplicarlos a los cálculos de sistemas físicos, dijo Piaget. «Cuando los algoritmos de aprendizaje automático comenzaron a proliferar, 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 de física, entonces, ¿por qué usarlos?».

En los últimos dos años, dijo Biaggi, ha habido un cambio significativo en esta situación, no solo porque los algoritmos están funcionando, sino también porque los investigadores están utilizando su conocimiento de la física para informar los modelos de aprendizaje automático.

En cuanto al coche, es un placer ver fructificar el trabajo iniciado hace tres décadas. “El desarrollo se produjo por algo que se desarrolló en un campo diferente, el campo de la ciencia de datos y las matemáticas aplicadas”, dijo Carr. «Tener este tipo de reactividad cruzada entre diferentes campos es muy importante».

Estudio «homogéneo intención de hielo en el comienzo aprendizaje automático El modelo del agua”, de Pablo M. Biagi, Jack Weiss, Athanasius Z. Panagiotopoulos y Pablo J. procedimientos de la Academia Nacional de Ciencias Semana del 8 de agosto de 2022.