Potencial interatómico aprendido por máquina

Los potenciales interatómicos aprendidos por máquina ( MLIP , por sus siglas en inglés), o simplemente potenciales de aprendizaje automático ( MLP, por sus siglas en inglés ), son potenciales interatómicos construidos mediante aprendizaje automático . Desde la década de 1990, los investigadores han empleado estos programas para construir potenciales interatómicos mediante la asignación de estructuras atómicas a sus energías potenciales. Estos potenciales se denominan MLIP o MLP .

Estos potenciales de aprendizaje automático prometían llenar el vacío entre la teoría del funcional de la densidad , un método de modelado muy preciso pero computacionalmente intensivo, y los potenciales derivados empíricamente o aproximados intuitivamente, que eran mucho más ligeros computacionalmente pero sustancialmente menos precisos. Las mejoras en la tecnología de inteligencia artificial aumentaron la precisión de las MLP al tiempo que redujeron su coste computacional, incrementando el papel del aprendizaje automático en el ajuste de potenciales. ^{[ 1 ] [ 2 ]}

El potencial del aprendizaje automático comenzó con el uso de redes neuronales para abordar sistemas de baja dimensionalidad. Si bien eran prometedores, estos modelos no podían explicar sistemáticamente las interacciones energéticas interatómicas; podían aplicarse a moléculas pequeñas en el vacío o a moléculas que interactuaban con superficies congeladas, pero poco más; e incluso en estas aplicaciones, los modelos a menudo dependían de campos de fuerza o potenciales derivados empíricamente o mediante simulaciones. ^{[ 1 ]} Por lo tanto, estos modelos permanecieron confinados al ámbito académico.

Las redes neuronales modernas construyen potenciales de alta precisión y computacionalmente ligeros, ya que la comprensión teórica de la ciencia de los materiales se ha integrado cada vez más en sus arquitecturas y preprocesamiento. Casi todas son locales, considerando todas las interacciones entre un átomo y su vecino hasta un cierto radio de corte. Existen algunos modelos no locales, pero estos han sido experimentales durante casi una década. Para la mayoría de los sistemas, radios de corte razonables permiten obtener resultados de alta precisión. ^{[ 1 ] [ 3 ]}

Casi todas las redes neuronales reciben coordenadas atómicas y generan energías potenciales. En algunas, estas coordenadas se convierten en funciones de simetría centradas en el átomo. A partir de estos datos, se entrena una red neuronal atómica independiente para cada elemento; cada red se evalúa cada vez que dicho elemento aparece en la estructura dada, y los resultados se combinan al final. Este proceso —en particular, las funciones de simetría centradas en el átomo, que transmiten invariancias traslacionales, rotacionales y permutacionales— ha mejorado enormemente el potencial del aprendizaje automático al restringir significativamente el espacio de búsqueda de la red neuronal. Otros modelos utilizan un proceso similar, pero priorizan los enlaces sobre los átomos, empleando funciones de simetría de pares y entrenando una red por cada par de átomos. ^{[ 1 ] [ 4 ]}

Otros modelos aprenden sus propios descriptores en lugar de usar funciones predeterminadas que dictan la simetría. Estos modelos, llamados redes neuronales de paso de mensajes (MPNN), son redes neuronales gráficas. Al tratar las moléculas como grafos tridimensionales (donde los átomos son nodos y los enlaces son aristas), el modelo toma como entrada vectores de características que describen los átomos y actualiza iterativamente estos vectores a medida que se procesa la información sobre los átomos vecinos mediante funciones de mensajes y convoluciones . Estos vectores de características se utilizan luego para predecir los potenciales finales. La flexibilidad de este método a menudo da como resultado modelos más robustos y generalizables. En 2017, el primer modelo MPNN (una red neuronal tensorial profunda) se utilizó para calcular las propiedades de pequeñas moléculas orgánicas.

Una clase popular de potencial interatómico aprendido por máquina es el potencial de aproximación gaussiana (GAP), ^{[ 5 ] [ 6 ] [ 7 ]} que combina descriptores compactos de entornos atómicos locales ^{[ 8 ]} con regresión de procesos gaussianos ^{[ 9 ]} para aprender por máquina la superficie de energía potencial de un sistema dado. Hasta la fecha, el marco GAP se ha utilizado para desarrollar con éxito una serie de MLIP para varios sistemas, incluidos sistemas elementales como el carbono , ^{[ 10 ] [ 11 ]} el silicio , ^{[ 12 ]} el fósforo , ^{[ 13 ]} y el tungsteno , ^{[ 14 ]} así como para sistemas multicomponentes como Ge ₂ Sb ₂ Te ₅ ^{[ 15 ]} y acero inoxidable austenítico , Fe ₇ Cr ₂ Ni. ^{[ 16 ]}

Una limitación importante de las primeras MPNN era que no eran inherentemente equivariantes a las rotaciones y reflexiones de las estructuras atómicas, lo que significaba que las predicciones podían cambiar dependiendo de cómo estuviera orientada una molécula en el espacio. A partir de 2021, una nueva clase de modelos abordó este problema incorporando la equivariancia directamente en las capas de paso de mensajes mediante armónicos esféricos y representaciones irreducibles. Ejemplos notables incluyen NequIP ^{[ 17 ]} (2021), MACE ^{[ 18 ]} (2022) y GemNet-OC ^{[ 19 ]} (2022). Estas arquitecturas equivariantes demostraron ser sustancialmente más eficientes en el uso de datos y más precisas que sus predecesoras, y se convirtieron en el paradigma dominante para MLIP de alta precisión.

Los primeros modelos MLIP eran específicos de cada sistema y se entrenaban con unos pocos miles de estructuras de un solo material. Un cambio importante se produjo con la creación de grandes conjuntos de datos químicamente diversos, lo que permitió desarrollar modelos que se generalizan a través de muchos elementos, entornos de enlace y dominios de aplicación: los llamados modelos MLIP universales.

Un impulsor clave fue el Open Catalyst Project ^{[ 20 ]} (OC20 ^{[ 21 ]} , OC22 ^{[ 22 ]} ), una colaboración entre Meta AI (FAIR) y la Universidad Carnegie Mellon lanzada en 2020. OC20 comprende aproximadamente 1,3 millones de relajaciones DFT en 82 elementos, diseñadas para acelerar el descubrimiento de catalizadores para aplicaciones de energía renovable. Fue uno de los primeros conjuntos de datos lo suficientemente grandes como para entrenar GNN que generalizan en diversos sistemas químicos, y estableció un punto de referencia ampliamente utilizado para el campo. Un conjunto de datos posterior, Open Direct Air Capture (OpenDAC 2023 ^{[ 23 ]} y OpenDAC 2025 ^{[ 24 ]} ), aplicó el mismo enfoque a la captura de carbono, proporcionando una gran base de datos computacional de marcos metalorgánicos y candidatos a adsorbentes evaluados para la captura de CO₂, generada utilizando casi 400 millones de horas de CPU de cálculos de química cuántica en colaboración con Georgia Tech .

Estos conjuntos de datos revelaron un nuevo desafío: las arquitecturas GNN más efectivas para simulaciones atómicas requerían mucha memoria, ya que modelan interacciones de orden superior entre tripletes o cuartetos de átomos, lo que dificulta escalar el tamaño del modelo. El paralelismo de grafos , introducido por Sriram et al. (ICLR 2022) ^{[ 25 ]} , abordó este problema distribuyendo un único grafo de entrada entre múltiples GPU, una estrategia distinta del paralelismo de datos (que distribuye ejemplos de entrenamiento) o del paralelismo de modelos (que distribuye capas). Esto permitió entrenar GNN con cientos de millones a miles de millones de parámetros por primera vez.

Partiendo de estos fundamentos, Meta FAIR lanzó el Modelo Universal para Átomos (UMA) ^{[ 26 ]} en 2025, entrenado con aproximadamente 500 millones de estructuras atómicas 3D únicas que abarcan moléculas, materiales y catalizadores, la mayor ejecución de entrenamiento hasta la fecha para un MLIP. UMA introdujo una arquitectura de Mezcla de Expertos Lineales (MoLE), que permite que un modelo aprenda de conjuntos de datos generados por diferentes códigos y configuraciones de DFT sin una sobrecarga de inferencia significativa. Iguala o supera a los modelos especializados en catálisis, materiales y puntos de referencia moleculares sin un ajuste fino específico para cada tarea, y se ha descrito como un hito que marca una división "pre/post UMA" en el campo.

Descubrimiento de catalizadores: Los MLIP han acelerado significativamente la selección computacional de catalizadores heterogéneos al reemplazar las costosas relajaciones DFT con redes neuronales sustitutas rápidas. El Proyecto Open Catalyst se centra específicamente en esta aplicación, con el objetivo de identificar nuevos catalizadores para la producción de hidrógeno verde y otras reacciones de energía renovable.

Captura de carbono: El proyecto OpenDAC aplica métodos MLIP universales para la selección de materiales adsorbentes para la captura directa de CO₂ del aire, una tecnología clave para la mitigación del cambio climático . La selección acelerada por IA permite evaluar un número de materiales candidatos mucho mayor que los flujos de trabajo DFT tradicionales.

Descubrimiento de fármacos y diseño molecular: Los MLIP se utilizan cada vez más en la investigación farmacéutica para modelar conformaciones moleculares y energías de unión. El conjunto de datos Open Molecules 2025 (OMol25) ^{[ 27 ]} , publicado por Meta FAIR en 2025, proporciona cálculos de alta precisión para un amplio conjunto de sistemas moleculares que respaldan este caso de uso.

Descubrimiento de materiales: Las plataformas MLIP universales permiten el cribado de alto rendimiento de nuevos materiales inorgánicos, incluidos electrolitos para baterías, semiconductores y superconductores, mediante la estimación rápida de la estabilidad y las propiedades en amplios espacios químicos.