Nuevo avance en inteligencia artificial permite predecir propiedades químicas con precisión, según estudio de la Universidad de Oviedo.

El Grupo de Química Teórica y Computacional de la Universidad de Oviedo (Qtcovi), en colaboración con la Universidad de Luxemburgo, ha logrado un avance significativo en el desarrollo de inteligencia artificial para predicciones químicas. Esta nueva arquitectura de 'machine learning' mejora tanto la precisión como la interpretabilidad de estas predicciones.

Según ha informado la Universidad de Oviedo, este avance representa la eliminación de una barrera que impedía estudiar de manera rigurosa sistemas químicos complejos y de gran tamaño. Los resultados de la investigación han sido publicados en la prestigiosa revista Nature Communications.

La innovadora arquitectura se basa en redes neuronales artificiales que permiten predecir propiedades químicas locales con una gran precisión y coherencia física. Esta nueva tecnología promete revolucionar el campo de la química al proporcionar predicciones cuantitativas precisas y explicaciones químicas comprensibles.

Los investigadores explican que, hasta ahora, estudiar la química en detalle estaba limitado a pequeñas moléculas debido a la carga computacional que implicaba. Sin embargo, con el desarrollo de modelos de inteligencia artificial, ahora es posible predecir una amplia gama de descriptores y propiedades químicas sin la necesidad de cálculos detallados de mecánica cuántica. Esta nueva arquitectura puede simular moléculas complejas y de gran tamaño en cuestión de segundos.

La arquitectura SchNet4AIM, como se ha denominado, utiliza las redes neuronales para aprender de forma autónoma a describir los entornos químicos de cada átomo en una molécula. Posteriormente, otra red crea un espacio latente para relacionar estos descriptores con las propiedades químicas. Esta estrategia permite reconstruir propiedades moleculares como una combinación de términos atómicos y de pareja.

Los resultados obtenidos muestran que esta estrategia ofrece predicciones precisas y coherentes tanto a nivel atómico como de pareja. La clave radica en la capacidad de generalización y transferibilidad de estos modelos, tal como destacan los investigadores.

El equipo se sorprendió al comprobar que SchNet4AIM es capaz de predecir de manera exacta moléculas mucho más complejas de las que se utilizaron para su entrenamiento. Esta es una característica fundamental, dado que la mayoría de los modelos de inteligencia artificial en química fracasan al intentar aplicarse fuera de su área de conocimiento, lo que se conoce como extrapolación.