¿Cómo se convierte el agua en hielo? Los científicos simularon las primeras etapas de la formación de hielo

Los cambios de temperatura pueden provocar un cambio en el estado del agua. Cuando la temperatura baja a 0°C, el agua se convierte en hielo y viceversa. Las simulaciones moleculares han proporcionado información valiosa sobre los mecanismos microscópicos que subyacen a la nucleación del hielo homogéneo. Sin embargo, tales simulaciones hasta ahora han demostrado ser prohibitivamente costosas.

Un equipo de Universidad de Princeton ha utilizado con éxito la inteligencia artificial (IA) para resolver ecuaciones que controlan el comportamiento cuántico de átomos y moléculas individuales para replicar el primeras etapas de formación de hielo. La simulación muestra cómo las moléculas de agua se transforman en hielo sólido con precisión cuántica.

Roberto Car, profesor de química de Princeton Ralph W. *31 Dornte, quien fue uno de los pioneros en el enfoque para simular comportamientos moleculares basados ​​en leyes cuánticas subyacentes hace más de 35 años, dijo: “En cierto modo, es como un sueño hecho realidad. Nuestra esperanza entonces era que eventualmente pudiéramos estudiar sistemas como este. Sin embargo, eso era imposible sin un mayor desarrollo conceptual, y este desarrollo llegó a través de un campo completamente diferente, el de Inteligencia artificial y ciencia de datos.

Al modelar las primeras etapas de la congelación del agua, el proceso de nucleación del hielo podría aumentar la precisión de los modelos climáticos y meteorológicos y otros procesos, como la congelación rápida de alimentos. El nuevo enfoque podría ayudar a rastrear la actividad de cientos de miles de átomos durante períodos miles de veces más largos, aunque todavía fracciones de segundo, que en los primeros estudios.

Los científicos proponen este enfoque utilizando leyes de la mecanica cuantica predecir los movimientos físicos de átomos y moléculas. La forma en que los átomos se asocian entre sí para formar moléculas y cómo las moléculas se asocian entre sí para crear objetos comunes se rigen por las leyes de la mecánica cuántica.

Los científicos entrenaron una red neuronal para reconocer un número relativamente pequeño de cálculos cuánticos seleccionados. Una vez formado, el red neuronal puede calcular fuerzas entre átomos que nunca antes había visto con precisión mecánica cuántica. Este enfoque de “aprendizaje automático” ya se utiliza en aplicaciones cotidianas, como el reconocimiento de voz y los automóviles autónomos.

En 2018, los científicos encontraron una manera de aplicar AI al modelado de fuerzas interatómicas en mecánica cuántica. Este enfoque se conoce como dinámica molecular de potencial profundo.

En este estudio, los científicos aplicaron estas técnicas al desafío de simular la nucleación del hielo. Utilizaron dinámicas moleculares de potencial profundo para ejecutar simulaciones de hasta 300.000 átomos utilizando mucha menos potencia informática. Ejecutaron simulaciones en Summit, una de las supercomputadoras más rápidas del mundo, en el Laboratorio Nacional de Oak Ridge.

Pablo Debenedetti, decano de investigación de Princeton y profesor de ingeniería y ciencias aplicadas de la clase de 1950, y coautor del nuevo estudio, dijo: “Este trabajo proporciona uno de los mejores estudios de nucleación de hielo”.

“La nucleación del hielo es una de las principales incógnitas en los modelos de pronóstico del tiempo. Este es un paso adelante bastante significativo ya que vemos un buen acuerdo con los experimentos. Pudimos simular sistemas extendidos que antes eran impensables para los cálculos cuánticos.

Athanassios Panagiotopoulos, Profesor Susan Dod Brown de Ingeniería Química y Biológica y coautor del estudio, dijo: “La metodología de potencial profundo utilizada en nuestro estudio ayudará a hacer realidad la promesa de la dinámica molecular ab initio para producir predicciones valiosas de fenómenos complejos, como reacciones químicas y el diseño de nuevos materiales”.

Pablo Piaggi, primer autor del estudio e investigador asociado postdoctoral en química en Princeton, dijo: “El hecho de que estudiemos fenómenos muy complejos a partir de las leyes fundamentales de la naturaleza, para mí es fascinante. El desarrollo de nuevas técnicas para estudiar eventos raros, como la nucleación, usando simulación por computadora. Los eventos raros ocurren en escalas de tiempo más largas que los tiempos de simulación que se pueden ajustar, incluso con la ayuda de la IA, y se necesitan técnicas especializadas para acelerarlos.

“Las moléculas de agua están formadas por dos hidrógeno átomos y un átomo de oxígeno. Los electrones alrededor de cada átomo determinan cómo los átomos pueden unirse para formar moléculas. Comenzamos con la ecuación que describe cómo los electrones se comportan. Los electrones determinan cómo interactúan los átomos, cómo forman enlaces químicos y prácticamente toda la química.

coche dijo, “Los átomos pueden existir en millones de arreglos diferentes. La magia es que, debido a ciertos principios físicos, la máquina puede extrapolar lo que sucede en un número relativamente pequeño de configuraciones desde una pequeña colección de átomos hasta los innumerables arreglos de un sistema mucho más grande.

Piaggi ha dicho, “Aunque los enfoques de IA han estado disponibles durante algunos años, los investigadores han sido cautelosos al aplicarlos a los cálculos de sistemas físicos. Cuando los algoritmos de aprendizaje automático comenzaron a popularizarse, gran parte de la comunidad científica se mostró escéptica porque estos algoritmos son una caja negra. Los algoritmos de aprendizaje automático no saben nada de física, entonces, ¿por qué los usaríamos? »

“En los últimos dos años, sin embargo, ha habido un cambio significativo en esta actitud, no solo porque los algoritmos funcionan, sino también porque los científicos usan su conocimiento de la física para informar a los científicos. aprendizaje automático modelos”.

“Es satisfactorio ver que el trabajo iniciado hace tres décadas da sus frutos. El desarrollo vino a través de algo que se desarrolló en un campo diferente, el de la ciencia de datos y las matemáticas aplicadas. Tener este tipo de interacción cruzada entre diferentes dominios es muy importante.

Referencia de la revista:

1. Pablo M. Piaggi, Jack Weis, et al. Nucleación homogénea de hielo en un modelo de agua de aprendizaje automático ab initio. PNAS Agosto 2022. DOI: 10.1073/pnas.2207294119