Los extraños llamados electrones fraccionarios son cruciales para muchas reacciones químicas, pero los métodos tradicionales no pueden modelarlos, un problema para el que se usa el aprendizaje automático para solucionarlo.
Las herramientas de aprendizaje automático nos han acercado a la comprensión de los electrones y a su comportamiento en las interacciones químicas, tras conocerse que la empresa británica de IA DeepMind, propiedad de la empresa matriz de Google, Alphabet, ha creado una herramienta que resuelve un problema fundamental en la forma de modelar la química.
La herramienta, llamada DeepMind 21, se basa en un método de modelización llamado teoría funcional de la densidad (DFT), que relaciona la ubicación de los electrones en un determinado grupo de átomos con la energía total que comparten los átomos para determinar las propiedades químicas y físicas de una molécula o material. «La DFT es una herramienta muy utilizada y suele ser muy eficaz, pero tiene estos fallos, por lo que rastrear y comprender estos fallos es importante», dice Aron Cohen, de DeepMind.
Uno de esos fallos es la incapacidad de tratar con electrones fraccionados, una construcción teórica en la que la carga de un electrón se divide en múltiples partículas. Las herramientas tradicionales de DFT pueden modelar sistemas con uno o dos electrones, pero fallan al modelar aquellos con, por ejemplo, 1,5 electrones, lo que es importante en los casos en los que un electrón se comparte entre más de un átomo.
«Por un lado, los electrones fraccionarios son objetos ficticios, no existe un electrón fraccionario: los electrones son enteros por definición», dice James Kirkpatrick, de DeepMind. «Pero al arreglar estos problemas de los electrones fraccionarios, somos capaces de describir correctamente sistemas químicos que normalmente tienen estos errores fundamentales en sus descripciones».
Así funciona el aprendizaje automático
DeepMind 21 funciona mediante el aprendizaje automático, un proceso por el que se alimenta a una inteligencia artificial con un conjunto de datos de entrenamiento que incluye tanto los problemas relevantes como sus soluciones. Al examinar el conjunto de entrenamiento, la IA aprende a buscar patrones y a aplicarlos a conjuntos de datos similares e incompletos.
Los investigadores entrenaron su IA con 2.235 ejemplos de reacciones químicas, con información sobre los electrones implicados y las energías de los sistemas. De ellos, 1074 representaban sistemas en los que los electrones fraccionarios supondrían un problema para los análisis DFT tradicionales.
Luego, aplicaron la IA a reacciones químicas que no estaban incluidas en los datos de entrenamiento. DeepMind 21 no solo representó correctamente los electrones fraccionados, sino que sus resultados fueron más precisos que los análisis DFT tradicionales. Incluso funcionó con datos sobre átomos con propiedades extrañas que no se parecían mucho a nada de los datos de entrenamiento. Aunque hay otros métodos que pueden crear estos modelos, requieren mucha más potencia de cálculo y tiempo, afirma John Perdew, de la Universidad de Temple (Pensilvania).
Se trata de un gran avance en el uso del aprendizaje automático para entender la química, dice Perdew. «Sugiere una unificación de los enfoques teóricos estándar, como la satisfacción de los teoremas exactos, con el aprendizaje automático basado en datos, una unificación que puede ser más poderosa que cualquiera de los enfoques por sí mismo», dice.
DeepMind también ha anunciado que el código de la IA será de código abierto, por lo que los químicos e investigadores de materiales de todo el mundo podrán aplicarlo a diversos problemas. Los electrones fraccionarios son particularmente relevantes en la química orgánica, dice Cohen, por lo que puede ser especialmente útil en ese campo.
