Un estudio recientemente publicado en la revista Nature Chemistry detalla el resultado de la investigación destinada a calcular el estado fundamental de el Schrödinger ecuación en química cuántica. El problema se resolvió con la aplicación de técnicas de inteligencia artificial, y el éxito del estudio tiene importantes implicaciones para la química cuántica.
La ecuación de Schrödinger
El método actual para determinar las propiedades químicas de una molécula se basa en experimentos de laboratorio lentos, intensivos en recursos y minuciosos. Por el contrario, la química cuántica se esfuerza por predecir las propiedades físicas y químicas de las moléculas, basándose únicamente en la disposición de los átomos dentro de un espacio 3D. Para que la química cuántica pueda determinar de forma plausible las propiedades moleculares, es necesario resolver la ecuación de Schrödinger. La ecuación de Schrödinger juega el mismo papel que juegan la conservación de la energía y las leyes de Newton en la mecánica clásica, predice cómo se comportará un sistema en el futuro. La ecuación de Schrödinger se expresa en términos de una función de onda que predice con precisión la probabilidad de un resultado o evento. Hasta ahora, resolver la ecuación de Schrödinger resultó inmensamente difícil.
Para resolver la ecuación de Schrödinger, los investigadores necesitaban modelar correctamente una función de onda, un objeto matemático capaz de especificar el comportamiento de los electrones en una molécula. Las funciones de onda son entidades de alta dimensión y, como resultado, es increíblemente difícil codificar las relaciones entre los electrones. Algunas técnicas de química cuántica no se molestan en codificar una función de onda, sino que se centran en determinar la energía de una molécula objetivo. Sin embargo, se necesita una aproximación cuando se centra únicamente en la energía de una molécula, y esta estimación limita la utilidad de las predicciones.
Si bien existen otras técnicas que los químicos cuánticos pueden usar para representar una función de onda, son esencialmente demasiado poco prácticas para ser útiles para calcular la función de onda de unos pocos átomos.
Enfoque «Quantum Monte Carlo» con redes neuronales profundas
Según Phys.org, investigadores de la Freie Universitat Berlin lograron resolver la ecuación de Schrödinger con la ayuda de técnicas de aprendizaje profundo. El equipo de investigación recurrió a un enfoque de «Quantum Monte Carlo», que ofrece una alta precisión a un costo computacional modesto. Los investigadores utilizaron redes neuronales profundas para representar la función de onda de los electrones. El profesor Franke Noe fue el investigador principal del estudio, y Noe explicó que la red neuronal fue diseñada para aprender los patrones complejos sobre cómo se distribuyen los electrones alrededor de los núcleos de un átomo.
Para que los investigadores pudieran usar redes neuronales profundas de manera efectiva para aprender los patrones detrás de los electrones, necesitaban crear la arquitectura de red adecuada. Las funciones de onda electrónicas tienen una propiedad conocida como antisimetría. Cada vez que se intercambian dos electrones, el signo de la función de onda debe cambiar. Esta peculiaridad en particular tuvo que tenerse en cuenta y la propiedad se incorporó a la arquitectura de la red. La red se denominó “PauliNet”, tomando su nombre del “principio de exclusión de Pauli”. Este principio establece que dos o más fermiones idénticos no pueden existir dentro del mismo estado cuántico al mismo tiempo dentro de un sistema cuántico.
PauliNet también tuvo que integrar otras propiedades físicas de las funciones de onda electrónicas en la red. En lugar de permitir que la red tomara una decisión solo a partir de la observación de datos, la red tuvo que tener en cuenta las propiedades de la función de onda, como explicó Noe a través de Phys.org.
“Construir la física fundamental en la IA es esencial para su capacidad de hacer predicciones significativas en el campo”, dijo Noe. “Aquí es realmente donde los científicos pueden hacer una contribución sustancial a la IA, y exactamente en lo que se centra mi grupo.
El equipo de investigación aún necesita realizar más experimentos, refinando su enfoque antes de que el modelo esté listo para ser aplicado fuera del laboratorio. Sin embargo, una vez que el método esté listo para aplicaciones industriales, podría usarse en una variedad de campos diferentes. Los científicos de materiales podrían usar el algoritmo para ayudar a crear nuevos metamateriales, y la industria farmacéutica podría usarlo para sintetizar nuevos tipos de medicamentos.