Investigadores de la Universidad de Oviedo desarrollan una IA que permite predecir con precisión propiedades químicas

OVIEDO 27 May. (EUROPA PRESS) -

El Grupo de Química Teórica y Computacional de la Universidad de Oviedo (Qtcovi), en colaboración con la Universidad de Luxemburgo, ha desarrollado una arquitectura de inteligencia artificial, de 'machine learning', que mejora significativamente la precisión e interpretabilidad de las predicciones químicas.

Según ha informado la Universidad de Oviedo, los investigadores han eliminado el cuello de botella que hasta ahora ha impedido el estudio riguroso de sistemas químicos complejos y de gran tamaño. El hallazgo ha sido publicado en la revista Nature Communications.

La arquitectura diseñada se basa en redes neuronales artificiales que permite predecir con alta precisión y coherencia física propiedades químicas locales. Esta innovación promete revolucionar el conocimiento de la química al proporcionar predicciones cuantitativas precisas y arrojar interpretaciones químicas comprensibles.

Los investigadores han explicado que, tradicionalmente, la descripción rigurosa de la química ha estado limitada a estudios de pequeñas moléculas debido a su alto coste computacional. Esta situación cambió con la llegada de modelos de inteligencia artificial que permiten predecir una multitud de descriptores y propiedades químicas sin necesidad de realizar los cálculos de mecánica cuántica requeridos por los algoritmos convencionales. Así, en los últimos años, ha proliferado el desarrollo de modelos de inteligencia artificial capaces de simular computacionalmente moléculas complejas y de gran tamaño en fracciones de segundo.

La arquitectura desarrollada por el grupo, bautizada SchNet4AIM, emplea las redes mencionadas para aprender de forma autónoma a describir los entornos químicos de cada átomo en una molécula. Seguidamente, una segunda red crea un espacio latente para conectar cada uno de estos descriptores al espacio de propiedades químicas. Esta estrategia permite reconstruir propiedades de las moléculas como una combinación de términos atómicos y de pareja.

Los resultados obtenidos demuestran que esta estrategia ofrece predicciones atómicas y de parejas extremadamente precisas y físicamente coherentes. La gran novedad, apuntan, está en la generalizabilidad y transferibilidad de los modelos.

"Lo que nos sorprendió fue que SchNet4AIM es capaz de predecir fielmente moléculas mucho más complejas que las vistas durante el entrenamiento", subrayan.

En este sentido, han explicado que la mayoría de los modelos de inteligencia artificial química fallan cuando se utilizan fuera de su dominio de conocimiento, lo que se conoce como extrapolación.