En simulación de cómo se congela el agua, la inteligencia artificial rompe el hielo

Un equipo de la Universidad de Princeton ha simulado con precisión las primeras etapas de la formación de hielo, aplicando inteligencia artificial (IA) para resolver ecuaciones que gobiernan el comportamiento cuántico de átomos y moléculas individuales.

La simulación resultante describe cómo moléculas de agua transición a hielo sólido con precisión cuántica. Este nivel de precisión, que alguna vez se consideró inalcanzable debido a la cantidad de potencia informática que requeriría, se hizo posible cuando los investigadores incorporaron redes neuronales profundas, una forma de inteligencia artificial, en sus métodos. El estudio fue publicado en la revista Procedimientos de la Academia Nacional de Ciencias.

«De alguna manera, esto es como un sueño hecho realidad», dijo Roberto Car, profesor Ralph W de Princeton. . «Nuestra esperanza era que eventualmente pudiéramos estudiar sistemas como este, pero no fue posible sin un mayor desarrollo conceptual, y ese desarrollo llegó a través de un campo completamente diferente, el de la inteligencia artificial y la ciencia de datos».

La capacidad de modelar las primeras etapas de la congelación del agua, un proceso llamado nucleación de hielo, puede mejorar la precisión de los modelos climáticos y meteorológicos, así como otros procesos, como la congelación instantánea de alimentos.

El nuevo enfoque permite a los investigadores rastrear la actividad de cientos de miles de átomos durante períodos de tiempo que son miles de veces más largos, aunque solo fracciones de segundo, que en primeros estudios.

Car co-inventó el enfoque de usar las leyes subyacentes de la mecánica cuántica para predecir los movimientos físicos de los átomos y las moléculas. Las leyes de la mecánica cuántica dictan cómo se unen los átomos para formar moléculas y cómo se unen las moléculas para formar objetos cotidianos.

Car y Michele Parrinello, físico ahora en el Istituto Italiano di Tecnologia en Italia, publicaron su enfoque, conocido como dinámica molecular «ab initio» («desde el principio» en latín), en un papel innovador en 1985.

Pero los cálculos mecánicos cuánticos son complejos y requieren grandes cantidades de potencia informática. En la década de 1980, las computadoras podían simular solo cien átomos a intervalos de unas pocas billonésimas de segundo. Los avances posteriores en computación y el advenimiento de las supercomputadoras modernas aumentaron la cantidad de átomos y el lapso de tiempo de la simulación, pero el resultado estuvo muy por debajo de la cantidad de átomos necesarios para observar procesos complejos como la nucleación del hielo.

AI proporcionó una solución potencial atractiva. Los investigadores entrenan una red neuronal, llamada así por sus similitudes con el funcionamiento del cerebro humano, para reconocer un número comparativamente pequeño de cálculos cuánticos seleccionados. Una vez entrenada, la red neuronal puede calcular fuerzas entre átomos que nunca antes había visto con precisión mecánica cuántica. Este enfoque de «aprendizaje automático» ya se usa en aplicaciones cotidianas, como el reconocimiento de voz y los automóviles autónomos.

En el caso de la IA aplicada al modelado molecular, una contribución importante se produjo en 2018 cuando el estudiante graduado de Princeton Linfeng Zhang, en colaboración con Car y el profesor de matemáticas de Princeton Weinan E, encontró una manera de aplicar Redes neuronales para modelar las fuerzas interatómicas mecánicas cuánticas. Zhang, quien obtuvo su Ph.D. en 2020 y ahora es científico investigador en el Instituto de Investigación de Big Data de Beijing, llamado enfoque «dinámica molecular de potencial profundo.»

En el artículo actual, Car y el investigador postdoctoral Pablo Piaggi, junto con sus colegas, aplicaron estas técnicas al desafío de simular la nucleación de hielo. Mediante el uso de dinámicas moleculares de potencial profundo, pudieron ejecutar simulaciones de hasta 300 000 átomos utilizando una potencia informática significativamente menor, durante períodos de tiempo mucho más largos de lo que era posible anteriormente. Realizaron las simulaciones en Summit, una de las supercomputadoras más rápidas del mundo, ubicada en el Laboratorio Nacional de Oak Ridge.

Este trabajo proporciona uno de los mejores estudios sobre la nucleación del hielo, dijo Pablo Debenedetti, decano de investigación en Princeton y profesor de la clase de ingeniería y ciencias aplicadas de la década de 1950, y coautor del nuevo estudio.

«La nucleación del hielo es una de las mayores cantidades desconocidas en modelos de pronóstico del tiempo«, dijo Debenedetti. «Este es un paso muy significativo porque vemos un muy buen acuerdo con los experimentos. Pudimos simular sistemas muy grandes, lo que antes era impensable para los cálculos cuánticos».

En este momento, modelos climáticos obtener estimaciones de la rapidez con que se nuclea el hielo principalmente a partir de observaciones realizadas en experimentos de laboratorio, pero estas correlaciones son descriptivas, no predictivas, y son válidas en un rango limitado de condiciones experimentales. Por el contrario, las simulaciones moleculares del tipo realizado en este estudio pueden producir simulaciones que predicen situaciones futuras y pueden estimar la formación de hielo en condiciones extremas de temperatura y presión, como en otros planetas.

«La metodología de potencial profundo utilizada en nuestro estudio ayudará a hacer realidad la promesa de ab initio dinámica molecular producir valiosas predicciones de fenómenos complejos como reacciones químicas y el diseño de nuevos materiales», dijo Athanassios Panagiotopoulos, profesor de ingeniería química y biológica de Susan Dod Brown y coautor del estudio.

«El hecho de que estemos estudiando fenómenos muy complejos a partir de las leyes fundamentales de la naturaleza, para mí, es muy emocionante», dijo Piaggi, el primer autor del estudio e investigador asociado postdoctoral en química en Princeton. Piaggi obtuvo su Ph.D. trabajando con Parrinello en el desarrollo de nuevas técnicas para estudiar eventos raros, como la nucleación, utilizando simulación por computadora. Los eventos raros ocurren en escalas de tiempo más largas que los tiempos de simulación que pueden admitirse, incluso con la ayuda de la IA, y se requieren técnicas especializadas para acelerarlos.

Jack Weis, un estudiante graduado en ingeniería química y biológica, ayudó a aumentar la probabilidad de observar la nucleación «sembrando» diminutos cristales de hielo en la simulación. «El propósito de la siembra es aumentar la probabilidad de que el agua forme cristales de hielo durante la simulación, permitiéndonos medir la tasa de nucleación», dijo Weis, asesorado por Debenedetti y Panagiotopoulos.

Las moléculas de agua consisten en dos átomos de hidrógeno y un átomo de oxígeno. Los electrones alrededor de cada átomo determinan cómo los átomos pueden unirse para formar moléculas.

«Comenzamos con la ecuación que describe cómo se comportan los electrones», dijo Piaggi. «Los electrones determinan cómo interactúan los átomos, cómo forman enlaces químicos y prácticamente toda la química».

Los átomos pueden existir literalmente en millones de arreglos diferentes, dijo Car, quien es director del Química en Solución e Interfaces centro, financiado por la Oficina de Ciencias del Departamento de Energía de EE. UU. e incluye universidades regionales.

«La magia es que, debido a algunos principios físicos, la máquina puede extrapolar lo que sucede en un número relativamente pequeño de configuraciones desde una pequeña colección de átomos hasta la miríada de arreglos de un sistema mucho más grande», dijo Car.

Si bien los enfoques de IA han estado disponibles durante algunos años, los investigadores han sido cautelosos al aplicarlos a los cálculos de sistemas físicos, dijo Piaggi. «Cuando los algoritmos de aprendizaje automático comenzaron a volverse populares, gran parte de la comunidad científica se mostró escéptica, porque estos algoritmos son una caja negra. Los algoritmos de aprendizaje automático no saben nada sobre física, entonces, ¿por qué los usaríamos?».

Sin embargo, en los últimos dos años, ha habido un cambio significativo en esa actitud, dijo Piaggi, no solo porque los algoritmos funcionan, sino también porque los investigadores están utilizando su conocimiento de la física para informar los modelos de aprendizaje automático.

Para Car es gratificante ver culminado el trabajo iniciado hace tres décadas. “El desarrollo vino a través de algo que se desarrolló en un campo diferente, el de la ciencia de datos y las matemáticas aplicadas”, dijo Car. «Tener ese tipo de interacción cruzada entre diferentes campos es muy importante».

El estudio «Homogénea nucleación de hielo en un ab initio aprendizaje automático modelo de agua», de Pablo M. Piaggi, Jack Weis, Athanassios Z. Panagiotopoulos, Pablo G. Debenedetti y Roberto Car, se publicó en la revista procedimientos de la Academia Nacional de Ciencias la semana del 8 de agosto de 2022.