"Esto significa que ahora podemos modelar materiales y dinámicas moleculares miles de millones de veces más rápido en comparación con los métodos cuánticos convencionales, a la vez que mantenemos el mismo nivel de precisión", dijo Justin Smith, físico de Los Alamos y miembro de Metropolis en la División Teórica del laboratorio. Comprender cómo se mueven las moléculas es fundamental para aprovechar su valor potencial para el desarrollo de fármacos, simulaciones de proteínas y química reactiva, por ejemplo, y tanto la mecánica cuántica como los métodos experimentales (empíricos) se incorporan a las simulaciones.

La nueva técnica, llamada potencial ANI-1ccx, promete mejorar las capacidades de los investigadores en muchos campos y mejorar la precisión de los potenciales basados ​​en el aprendizaje automático en estudios futuros de aleaciones metálicas y físicas de detonación.

Los algoritmos de Quantum Mechanical (QM), utilizados en las computadoras clásicas, pueden describir con precisión los movimientos mecánicos de un compuesto en su entorno operativo. Pero QM escala muy mal con diferentes tamaños moleculares, limitando severamente el alcance de posibles simulaciones. Incluso un ligero aumento en el tamaño molecular dentro de una simulación puede aumentar dramáticamente la carga computacional. Por lo tanto, los profesionales a menudo recurren al uso de información empírica, que describe el movimiento de los átomos en términos de la física clásica y las Leyes de Newton, permitiendo simulaciones que escalan a miles de millones de átomos o millones de compuestos químicos.

Tradicionalmente, los potenciales empíricos han tenido que lograr un equilibrio entre la precisión y la transferibilidad. Cuando los muchos parámetros del potencial se ajustan finamente para un compuesto, la precisión disminuye en otros compuestos.

En cambio, el equipo de Los Álamos, con la Universidad de Carolina del Norte en Chapel Hill y la Universidad de Florida, ha desarrollado un enfoque de aprendizaje automático denominado aprendizaje por transferencia que les permite desarrollar potenciales empíricos al aprender de los datos recopilados sobre millones de otros compuestos. El nuevo enfoque con el aprendizaje empírico de la máquina puede aplicarse a nuevas moléculas en milisegundos, lo que permite investigar un número mucho mayor de compuestos en escalas de tiempo mucho más largas.

Fondos

Los autores de Los Álamos reconocen el apoyo del Departamento de Energía de los EE. UU. (DOE) a través del programa LANL LDRD. Este trabajo se realizó, en parte, en el Centro de Nanotecnologías Integradas, una Oficina para el Usuario de la Ciencia que opera en la Oficina de Ciencia del DOE de los EE. UU. También reconocen el programa LANL Institutional Computing (IC) y el equipo de datos de LANL ACL por proporcionar recursos computacionales. Esta investigación, en parte, se realizó utilizando los recursos proporcionados por Open Science Grid, que cuenta con el respaldo del Premio 1148698 de la National Science Foundation y la Oficina de Ciencia del Departamento de Educación de los EE. UU.

Fuente de la historia:

Materiales proporcionados por DOE / Laboratorio Nacional Los Alamos. Nota: El contenido puede ser editado por estilo y longitud.