Nuevo estudio de investigadores de inteligencia artificial resuelve la ecuación de Schrödinger

Un estudio publicado recientemente en la revista Nature Chemistry detalla el resultado de la investigación destinada a calcular el estado fundamental de la ecuación de Schrödinger (SDGR ) 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 tediosos. Por el contrario, la química cuántica intenta predecir las propiedades físicas y químicas de las moléculas, basándose solo en la disposición de los átomos en un espacio tridimensional. Para que la química cuántica pueda determinar de manera plausible las propiedades moleculares, es necesario resolver la ecuación de Schrödinger. La ecuación de Schrödinger desempeña el mismo papel que la conservación de la energía y las leyes de Newton en la mecánica clásica, prediciendo 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 enormemente 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, centrándose en lugar de eso en determinar la energía de una molécula objetivo. Sin embargo, se necesita una aproximación cuando se centra solo en la energía de una molécula, y esta estimación limita lo útil que pueden ser las predicciones.

Aunque existen otras técnicas que los químicos cuánticos pueden utilizar para representar una función de onda, esencialmente son demasiado imprácticas para ser útiles para calcular la función de onda de unos pocos átomos.

Enfoque “Quantum Monte Carlo” con redes neuronales profundas

Según Phys.org, los investigadores de la Universidad Libre de Berlín lograron resolver la ecuación de Schrödinger con la ayuda de técnicas de aprendizaje profundo. El equipo de investigación recurrió a un enfoque “Quantum Monte Carlo”, que ofrece 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 se diseñó para aprender los patrones complejos sobre cómo se distribuyen los electrones alrededor de los núcleos de un átomo.

Para que los investigadores puedan utilizar redes neuronales profundas 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 particularidad tuvo que ser tenida en cuenta y la propiedad incorporada en la arquitectura de la red. La red se llamó “PauliNet”, nombre que proviene 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 llegue a una decisión solo observando los datos, la red tuvo que tener en cuenta las propiedades de la función de onda, como explicó Noe a través de Phys.org.

“Incorporar la física fundamental en la IA es esencial para su capacidad de hacer predicciones significativas en el campo”, dijo Noe. “Este es realmente el lugar donde los científicos pueden hacer una contribución sustancial a la IA, y exactamente en lo que se centra mi grupo.

El equipo de investigación todavía necesita realizar más experimentos, perfeccionando 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 ser utilizado en una variedad de campos diferentes. Los científicos de materiales podrían utilizar el algoritmo para ayudar a crear nuevos metamateriales, y la industria farmacéutica podría utilizarlo para sintetizar nuevos tipos de fármacos. El modelo está listo para ser aplicado fuera del laboratorio. Sin embargo, una vez que el método esté listo para aplicaciones industriales, podría ser utilizado en una variedad de campos diferentes. Los científicos de materiales podrían utilizar el algoritmo para ayudar a crear nuevos metamateriales, y la industria farmacéutica podría utilizarlo para sintetizar nuevos tipos de fármacos.