Carnegie Mellon desarrolla un nuevo método ML para modelado químico

Investigadores de la Universidad Carnegie Mellon y el Laboratorio Nacional de Los Álamos han utilizado el aprendizaje automático para crear un modelo que puede simular reacciones en una variedad de condiciones y materiales orgánicos.

«Es una herramienta que puede utilizarse para investigar reacciones adicionales en este campo», afirmó Shuhao Zhang, estudiante de posgrado en el Departamento de Química de la Universidad Carnegie Mellon. «Podemos ofrecer una simulación completa del mecanismo de reacción».

Zhang es el primer autor de un artículo que describe la creación y los resultados de este nuevo modelo de aprendizaje automático, «Exploring the Frontiers of Chemistry with a General Reactive Machine Learning Potential», que se publicará el 7 de marzo en Nature Chemistry.

Aunque los investigadores han desarrollado reacciones antes, hubo varios problemas con los métodos anteriores. Los modelos de campo de fuerza reactivos son relativamente comunes, pero normalmente requieren entrenamiento para tipos de reacción específicos. Los modelos tradicionales que utilizan la mecánica cuántica, donde las reacciones químicas se modelan basándose en la física fundamental, se pueden aplicar a cualquier material y molécula, pero se necesitan supercomputadoras para utilizar estos modelos.

Este nuevo potencial interatómico de aprendizaje automático general (ANI-1xnr) puede realizar simulaciones de materiales arbitrarios que contienen los elementos carbono, hidrógeno, nitrógeno y oxígeno y requiere mucha menos potencia de cálculo y tiempo que los modelos de mecánica cuántica convencionales. Según Alexander Asif, profesor asociado de química y jefe del laboratorio de Carnegie Mellon, este avance se debe a los avances en el aprendizaje automático.

«El aprendizaje automático está surgiendo como un método poderoso para construir diferentes modelos de potenciales nucleares de transición utilizando algoritmos de regresión. El objetivo general de este proyecto es desarrollar un método de aprendizaje automático que prediga energías de reacción y procesos químicos. Capaz de predecir tasas con alta precisión, pero con un coste computacional muy bajo”, afirmó Asif. «Hemos demostrado que estos modelos de aprendizaje automático pueden entrenarse en la teoría de la mecánica cuántica de alto nivel y pueden predecir con éxito energías y fuerzas con precisión de la mecánica cuántica y acelerar entre 6 y 7 órdenes de magnitud». Esta es una nueva. Ejemplos en modelos reactivos.»

Los investigadores probaron ANI-1xnr en una variedad de problemas químicos, incluida la comparación de adiciones de biocombustibles y el seguimiento de la combustión de metano. También recrearon el experimento Miller, un famoso experimento químico destinado a explicar cómo se originó la vida en la Tierra. Utilizando este experimento, descubrieron que el modelo ANI-1xnr producía resultados precisos en un sistema de fase sólida.

Zhang dijo que el modelo podría usarse potencialmente en otras áreas de la química con mayor capacitación.

«Descubrimos que podría usarse potencialmente en procesos bioquímicos como reacciones enzimáticas», dijo Zhang. «No lo diseñamos para ser utilizado de esa manera, pero después de la modificación se utilizará para ese propósito».

En el futuro, el equipo planea mejorar ANI-1xnr y permitirle trabajar con más elementos y en más regiones químicas, e intentarán escalar la reacción que puede realizar. Esto puede permitir su uso en muchos campos donde puede estar relacionado con el diseño de nuevas reacciones químicas, como el descubrimiento de fármacos.

A Zhang e Isayev se unieron Malagorzata Z. Makoś, Ryan B. Jadrich, Elfi Kraka, Kipton Barros, Benjamin T. Nebgen, Sergei Tretiak, Nicholas Lubbers, Richard A. Messerly y Justin S. Smith. El proyecto fue financiado por la Oficina de Investigación Naval (ONR) a través del Programa de Materiales Energéticos (Subvención MURI No. N00014-21-1-2476) para Isayev.