Aprendizaje automático para la química

Los modelos de aprendizaje automático entrenados con datos químicos y cálculos químico-cuánticos predicen propiedades moleculares, energías y reacciones, complementando y acelerando la química computacional tradicional.

Definition

La aplicación de modelos de aprendizaje estadístico y de redes neuronales a problemas químicos, aprendiendo mapeos desde representaciones moleculares a propiedades, energías o nuevas estructuras.

Scope

Cubre modelos basados en datos en química: potenciales interatómicos aprendidos por máquina que aproximan energías químico-cuánticas a la velocidad de los campos de fuerza, redes neuronales de grafos y de paso de mensajes para moléculas, modelos generativos para el diseño molecular, y los desafíos de la calidad de los datos, la representación y la extrapolación más allá de los datos de entrenamiento.

Core questions

• ¿Cómo pueden los potenciales aprendidos reproducir la precisión cuántica a una fracción del costo?
• ¿Cómo operan las redes neuronales de grafos directamente sobre la estructura molecular?
• ¿Cómo se utilizan los modelos generativos para proponer moléculas novedosas?
• ¿Cómo se evalúa y asegura la generalización más allá de la distribución de entrenamiento?

Key theories

Potenciales interatómicos aprendidos por máquina

Los potenciales de redes neuronales entrenados con datos de referencia químico-cuánticos reproducen energías y fuerzas en diversas configuraciones, permitiendo simulaciones con una precisión casi cuántica a un costo casi clásico.

Paso de mensajes en grafos moleculares

Las redes neuronales de grafos propagan información entre átomos enlazados para aprender representaciones directamente de la estructura molecular, logrando una fuerte predicción de propiedades sin descriptores hechos a mano.

Clinical relevance

El aprendizaje automático está remodelando la química computacional al acelerar la predicción de propiedades y energía, expandiendo el alcance de la simulación a través de potenciales aprendidos y permitiendo el diseño generativo de moléculas y materiales.

History

Los potenciales de redes neuronales introducidos por Behler y Parrinello en 2007 y el auge de las redes neuronales de grafos a partir de mediados de la década de 2010, junto con grandes conjuntos de datos de referencia, impulsaron el rápido crecimiento del aprendizaje automático en la química molecular y de materiales.

Debates

Generalización y requisitos de datos

Si los modelos aprendidos extrapolan de manera confiable a la química fuera de sus datos de entrenamiento, y cuánto y qué tipo de datos se necesitan para predicciones confiables, siguen siendo preguntas abiertas centrales.

Key figures

• Jörg Behler
• Michele Parrinello
• Anatole von Lilienfeld
• Aspuru-Guzik

Seminal works

• behler2007
• gilmer2017

Frequently asked questions

¿Reemplazará el aprendizaje automático a la química cuántica?

No del todo; los modelos aprendidos dependen de datos de referencia químico-cuánticos o experimentales para el entrenamiento y se consideran mejor como aceleradores y complementos, más que como reemplazos de los métodos de primeros principios.

¿Qué es un potencial interatómico aprendido por máquina?

Es un modelo entrenado para reproducir las energías y fuerzas de los cálculos cuánticos, lo que permite la dinámica molecular con una precisión que se aproxima a los métodos cuánticos, pero con un costo muy reducido.