Investigadores de Imperial College London y Google DeepMind utilizaron IA para modelar los estados excitados de las moléculas, uno de los desafíos más complejos de la química cuántica.
Recientemente, investigadores de Imperial College London y Google DeepMind han desarrollado un avance significativo en el uso de redes neuronales, un tipo de inteligencia artificial (IA) inspirada en el cerebro humano, para abordar uno de los desafíos más complejos en la química cuántica: modelar los estados excitados de las moléculas.
Cuando las moléculas o materiales son expuestos a una gran cantidad de energía (como luz intensa o altas temperaturas), los electrones dentro de las moléculas pueden cambiar temporalmente de configuración. Este nuevo estado se llama “estado excitado”, un término relacionado con la mecánica cuántica. La cantidad específica de energía absorbida y liberada durante la transición entre estados crea un fingerprint o huella única para cada molécula o material.
Este proceso es crucial para muchas tecnologías, como los paneles solares, los LED, y los semiconductores, así como para procesos biológicos esenciales como la fotosíntesis y la visión. Sin embargo, estos estados excitados son difíciles de modelar debido a la naturaleza cuántica de los electrones, que no se pueden ubicar con certeza en un punto específico, sino que solo pueden describirse como probabilidades.
El desafío principal en modelar estos estados excitados radica en la complejidad y la cantidad de configuraciones posibles de los electrones en una molécula. “El espacio de todas las configuraciones posibles es enorme: si intentáramos representarlo como una cuadrícula con 100 puntos a lo largo de cada dimensión, entonces el número de posibles configuraciones electrónicas para el átomo de silicio sería mayor que el número de átomos en el universo. Aquí es exactamente donde pensamos que las redes neuronales profundas podrían ayudar”, explicó el Dr. David Pfau de Google DeepMind y del Departamento de Física del Imperial College London.
Aquí es donde las redes neuronales profundas entran en juego. Estas redes, que imitan el funcionamiento del cerebro humano, son muy buenas para manejar grandes cantidades de datos y encontrar patrones complejos. Los investigadores desarrollaron un nuevo enfoque matemático utilizando una red neuronal llamada FermiNet, que es capaz de calcular la energía de átomos y moléculas con una precisión sin precedentes. Los resultados de la investigación fueron publicados en Science.
El equipo probó su método en varios ejemplos complejos, incluyendo una molécula conocida como dímero de carbono o diatomic carbon. Lograron una precisión mucho mayor que los métodos anteriores, acercándose cinco veces más a los resultados experimentales. Este avance muestra que el uso de redes neuronales para resolver problemas cuánticos es un método prometedor para mejorar la precisión y eficiencia en la simulación de sistemas moleculares complejos.
Asimismo, el uso de IA para resolver problemas en la química cuántica podría revelar nuevos caminos y enfoques en el desarrollo de nuevos materiales y medicamentos. Además, al permitir simulaciones más precisas de cómo interactúan las moléculas, estos métodos podrían reducir la necesidad de experimentación en laboratorio, acelerando así el proceso de innovación y desarrollo tecnológico.
Los investigadores publicaron su trabajo de manera libre y está disponible como código abierto, con el propósito que la comunidad científica continúe explorando y expandiendo estos métodos para descubrir nuevas formas en que la materia interactúa con la luz: https://zenodo.org/records/11937084.
