Un equipo de científicos de la Freie Universität Berlin ha desarrollado un método de inteligencia artificial (IA) para calcular el estado fundamental de la ecuación de Schrödinger en química cuántica.
El objetivo de la química cuántica es predecir las propiedades químicas y físicas de las moléculas basándose únicamente en la disposición de sus átomos en el espacio, evitando la necesidad de experimentos de laboratorio que consumen mucho tiempo y recursos. En principio, esto se puede lograr resolviendo la ecuación de Schrödinger, pero en la práctica esto es extremadamente difícil.
Hasta ahora, ha sido imposible encontrar una solución exacta para moléculas arbitrarias que se puedan calcular de manera eficiente. Pero el equipo de Freie Universität ha desarrollado un método de aprendizaje profundo que puede lograr una combinación sin precedentes de precisión y eficiencia computacional.
«Creemos que nuestro enfoque puede tener un impacto significativo en el futuro de la química cuántica», dice el profesor Frank Noé, quien dirigió el esfuerzo del equipo. Los resultados se publicaron en la prestigiosa revista Nature Chemistry.
La red neuronal profunda diseñada por el equipo del profesor Noé es una nueva forma de representar las funciones de onda de los electrones:
En lugar del enfoque estándar de componer la función de onda a partir de componentes matemáticos relativamente simples, diseñamos una red neuronal artificial capaz de aprender los patrones complejos de cómo se ubican los electrones alrededor de los núcleos. Una característica peculiar de las funciones de ondas electrónicas es su antisimetría.
El Dr. Jan Hermann explica:
Cuando se intercambian dos electrones, la función de onda debe cambiar de signo. Tuvimos que construir esta propiedad en la arquitectura de la red neuronal para que el enfoque funcione.
Esta característica, conocida como «principio de exclusión de Pauli», es la razón por la que los autores llamaron a su método «PauliNet».
Además del principio de exclusión de Pauli, las funciones de onda electrónicas también tienen otras propiedades físicas fundamentales, y gran parte del éxito innovador de PauliNet es que integra estas propiedades en la red neuronal profunda, en lugar de permitir que el aprendizaje profundo las resuelva simplemente observando los datos.