- Orbformer fue preentrenado con 22.000 estructuras moleculares, incluidas configuraciones en equilibrio y situaciones en las que los enlaces estaban siendo separados.
- Después puede ajustarse a moléculas que no había visto y alcanzó de forma consistente la denominada precisión química en las pruebas publicadas.
Calcular con suficiente precisión qué ocurre con los electrones cuando un enlace químico se rompe continúa siendo uno de los problemas computacionales más difíciles de la química cuántica. Un trabajo publicado este 21 de agosto en Nature Communications presenta Orbformer, un modelo de funciones de onda que intenta reutilizar lo aprendido en miles de estructuras moleculares para reducir el coste de enfrentarse posteriormente a sistemas que no había observado.
La dificultad aumenta durante la ruptura de enlaces porque la estructura electrónica deja de describirse adecuadamente mediante algunas aproximaciones relativamente sencillas. Diferentes configuraciones electrónicas pueden adquirir simultáneamente importancia, dando lugar al denominado carácter multirreferencia. Los métodos capaces de describir ese régimen con elevada precisión existen, pero su coste computacional puede crecer rápidamente y debe pagarse prácticamente de nuevo cada vez que se analiza una molécula diferente.
Orbformer utiliza redes neuronales dentro de un enfoque de Quantum Monte Carlo para intentar compartir parte de ese aprendizaje entre sistemas. El modelo fue preentrenado con unas 22.000 estructuras tanto en equilibrio como en distintas etapas de disociación. En lugar de iniciar completamente desde cero cada nuevo cálculo, esa función de onda previamente entrenada puede ajustarse después para estudiar moléculas que no formaban parte del conjunto inicial.
Los investigadores evaluaron el sistema mediante problemas estándar y pruebas especialmente complicadas que incluían disociación de enlaces y reacciones de Diels-Alder. Según los resultados publicados, Orbformer consiguió converger de forma consistente hacia la denominada precisión química, situada aproximadamente en un error de una kilocaloría por mol. El trabajo sostiene que su relación entre precisión y coste llega a competir con métodos multirreferencia clásicos en los escenarios estudiados.
El resultado necesita una precisión conceptual importante: Orbformer no “resuelve la ecuación de Schrödinger” de forma universal ni convierte cualquier problema de química cuántica en un cálculo instantáneo. La ecuación de muchos electrones sigue requiriendo aproximaciones y computación intensiva. La innovación está en amortizar parte del coste entre numerosas moléculas, utilizando una representación previamente aprendida como punto de partida para nuevos sistemas relacionados.
Esta aproximación acerca el concepto de modelo fundacional a un campo muy diferente del lenguaje. En vez de aprender regularidades entre palabras, el sistema busca patrones reutilizables dentro de las funciones de onda electrónicas. Si esas regularidades son suficientemente generales, cada nuevo cálculo puede aprovechar conocimiento procedente de problemas anteriores en lugar de comportarse como una tarea totalmente independiente.
El trabajo procede principalmente de Microsoft Research AI for Science y cuenta también con investigadores vinculados a Freie Universität Berlin. Los autores consideran que el siguiente reto será ampliar la variedad y complejidad de los sistemas tratados y comprobar hasta qué punto la transferencia sigue funcionando en moléculas más grandes, reacciones diferentes y situaciones donde el carácter multirreferencia resulte todavía más extremo.









