IA capaz de interpretar sistemas químicos

Científicos de Asturias, en conjunto con la Universidad de Luxemburgo, han desarrollado un sistema que por primera vez puede interpretar los sistemas químicos más grandes y complejos.

La Universidad de Oviedo demuestra constantemente su liderazgo en investigación. El más reciente avance de esta institución asturiana lo confirma: el Grupo de Química Teórica y Computacional de la Universidad de Oviedo (QTCOVI), en colaboración con la Universidad de Luxemburgo, ha creado "una innovadora arquitectura de machine learning que mejora considerablemente la precisión e interpretabilidad de las predicciones químicas. Este logro, fruto de la combinación de inteligencia artificial y topología químico-cuántica, facilita el desarrollo de una inteligencia artificial con capacidad de explicación química", según una nota de prensa. Así, los investigadores han "superado el obstáculo que impedía hasta ahora el estudio detallado de sistemas químicos complejos y de gran tamaño". Este descubrimiento ha sido publicado en la revista 'Nature Communications', una de las más prestigiosas en su campo.

El equipo de investigadores de la universidad asturiana ha logrado un avance significativo en la química computacional, al diseñar "una nueva arquitectura basada en redes neuronales artificiales que permite predecir con alta precisión y coherencia física propiedades químicas locales. Esta innovación promete revolucionar la comprensión de la química al proporcionar predicciones cuantitativas precisas y, crucialmente, ofrecer por primera vez interpretaciones químicas comprensibles", según celebran desde la Universidad.

Los investigadores señalan que tradicionalmente la descripción precisa de la química ha estado limitada al estudio de pequeñas moléculas debido a su alto coste computacional. Esto cambió con la llegada de modelos de inteligencia artificial que permiten predecir numerosos descriptores y propiedades químicas sin necesidad de realizar los complejos cálculos de mecánica cuántica requeridos por los métodos convencionales. En los últimos años, se ha desarrollado una amplia variedad de modelos de inteligencia artificial capaces de simular moléculas complejas y de gran tamaño en fracciones de segundo.

Sin embargo, los modelos de inteligencia artificial comunes presentan dos grandes inconvenientes. Primero, no proporcionan indicadores de incertidumbre, lo que puede llevar a predicciones erráticas cuando se aplican a áreas del espacio químico distintas a las utilizadas durante su entrenamiento. Segundo, carecen de interpretabilidad, ofreciendo resultados precisos sin revelar la lógica subyacente, por lo que se comportan como cajas negras, explican los científicos.

Para abordar este problema, los investigadores propusieron utilizar el rigor de las teorías físicas modernas, específicamente la topología químico-cuántica, en la cual el grupo tiene décadas de experiencia. “La topología químico-cuántica proporciona un marco teórico riguroso para el estudio de la química en el espacio real, basándose en el análisis topológico de diversos campos escalares, como la densidad electrónica”, asegura Ángel Martín Pendás, catedrático del Departamento de Química Física y Analítica de la Universidad de Oviedo. Este enfoque establece un marco ideal para desarrollar herramientas teóricas de alta calidad para el estudio de la química, como la teoría cuántica de átomos en moléculas y el esquema de partición energética de átomos cuánticos interactuantes.

El grupo de la Universidad de Oviedo se propuso combinar inteligencias artificiales avanzadas con técnicas físicamente rigurosas, como la teoría cuántica de átomos en moléculas y el esquema de partición energética de átomos cuánticos interactuantes. “Pensamos que, si desarrollamos arquitecturas de inteligencia artificial que aprendan directamente propiedades de topología químico-cuántica locales en el espacio real, podríamos obtener modelos interpretables y transferibles”, sostiene Miguel Gallegos, estudiante de doctorado del grupo de investigación.

La arquitectura desarrollada por el grupo, denominada SchNet4AIM, emplea redes neuronales convolucionales para aprender de forma autónoma a describir los entornos químicos de cada átomo en una molécula. Luego, una segunda red crea un espacio latente para conectar cada uno de estos descriptores con el espacio de propiedades químicas. Esta estrategia permite reconstruir propiedades de las moléculas como una combinación de términos atómicos y de pareja, una aproximación que contrasta con los métodos usuales en este campo. “En la inteligencia artificial aplicada a la química, es común que los modelos aprendan directamente las propiedades moleculares, resultando de la combinación de términos que carecen de sentido físico”, explican los investigadores.

Los resultados obtenidos demuestran que esta estrategia ofrece predicciones atómicas y de pareja extremadamente precisas y coherentes físicamente. Sin embargo, la verdadera novedad no radica en la precisión – “obtener modelos precisos que alcancen los límites de precisión de los algoritmos convencionales está a la orden del día” – sino 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. Esta característica, una manifestación de la transferibilidad y rigor de las teorías de topología químico-cuántica, podría resolver uno de los mayores problemas en la inteligencia artificial química moderna. “Las inteligencias artificiales actuales ya han demostrado ser capaces de superar los límites de precisión en química, pero suelen tener un rango de aplicación limitado. Uno de los mayores retos ahora es conseguir modelos generales, de aplicación universal”, comentan ambos investigadores.

Además, la localidad química aprovechada por los investigadores tiene una consecuencia inesperada: los modelos muestran una interpretabilidad intrínseca. “Nuestros modelos han demostrado ser capaces de identificar y, lo que es más importante, explicar la deslocalización electrónica que surge a lo largo de un proceso de unión supramolecular. Así, no solo revelan cuándo y dónde aparecen posibles puntos de unión entre ligando y receptor, sino que también indican qué interacciones de pareja dominan dichas uniones”, explican. Esto constituye un avance fundamental hacia el desarrollo de inteligencias artificiales químicamente explicables, uno de los campos emergentes en esta área de investigación.

En conjunto, este avance indica una sinergia prometedora entre la topología químico-cuántica y la inteligencia artificial, anticipando la creación de herramientas computacionales con numerosas aplicaciones potenciales, como el diseño de nuevos fármacos o materiales con propiedades ajustables. Sin embargo, a pesar de sus impresionantes capacidades, SchNet4AIM enfrenta desafíos, como comprender cómo las propiedades moleculares son influenciadas por sus componentes locales en sistemas realmente complejos o cómo estas últimas dependen de las variables físicas del sistema. Los investigadores aseguran que aún queda mucho por explorar en esta línea de investigación.