← Últimos artículos
🔬 ciencia de materiales

Capturing long-range interaction with reciprocal space neural network

Este artículo propone un método de red neuronal en el espacio recíproco que transforma la información estructural del espacio real para permitir que los potenciales interatómicos de aprendizaje automático capturen con precisión las interacciones de largo alcance, mejorando así la predicción de propiedades globales y facilitando simulaciones dinámicas a gran escala de sistemas complejos como materiales iónicos y cristales defectuosos.

Autores originales: Hongyu Yu, Liangliang Hong, Shiyou Chen, Xingao Gong, Hongjun Xiang

Primera aparición 2022-11-30 · Actualizado 2026-11-17
📖 5 min de lectura🧠 Análisis profundo

Autores originales: Hongyu Yu, Liangliang Hong, Shiyou Chen, Xingao Gong, Hongjun Xiang

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Para comprender los materiales que componen nuestro mundo, desde el silicio en un chip de computadora hasta la sal en nuestro salero, los científicos suelen recurrir a una poderosa herramienta llamada dinámica molecular. Esta es una forma de simular cómo se mueven e interactúan los átomos a lo largo del tiempo, pero para ejecutar estas simulaciones, los investigadores necesitan un mapa confiable que les indique cuánta energía se almacena en cualquier disposición dada de átomos. Durante décadas, el estándar de oro para crear estos mapas ha sido un método basado en las leyes de la mecánica cuántica, el cual es increíblemente preciso pero tan computacionalmente costoso que solo puede manejar grupos diminutos de átomos durante periodos muy cortos. Para estudiar sistemas más grandes o escalas de tiempo más largas, los científicos han recurrido al aprendizaje automático, entrenando a las computadoras para aprender la relación entre las posiciones atómicas y la energía. Sin embargo, la mayoría de estos modelos de aprendizaje modernos operan bajo un supuesto simple: que un átomo solo se preocupa por sus vecinos inmediatos. Observan el vecindario local e ignoran lo que está sucediendo lejos de allí. Esto funciona bien para muchos materiales, pero falla para otros, particularmente para aquellos compuestos por partículas cargadas como las sales o ciertos cristales, donde la atracción o el empuje de un átomo puede extenderse a través de toda la estructura, influyendo en el comportamiento del material de maneras que las instantáneas locales no pueden capturar.

Un equipo de investigadores de la Universidad de Fudan y del Instituto Shanghai Qi Zhi ha desarrollado un nuevo enfoque para solucionar este punto ciego. Se dieron cuenta de que, para entender cómo los átomos distantes influyen unos en otros, necesitaban mirar el material no solo como una colección de puntos individuales en el espacio, sino como un patrón completo de ondas. En física, existe una forma matemática de traducir la disposición de los átomos en un cristal a un tipo diferente de espacio, a menudo llamado espacio recíproco, el cual es naturalmente adecuado para describir patrones que se repiten a largas distancias. Los investigadores construyeron un nuevo tipo de modelo computacional que toma la imagen estándar de un cristal, la traduce a este lenguaje basado en ondas y utiliza una red neuronal para aprender las contribuciones de energía de estos patrones de largo alcance. Luego combinaron esta visión global con la visión local tradicional, creando un modelo híbrido que ve tanto a los vecinos inmediatos como las influencias distantes simultáneamente.

El equipo probó este nuevo método en varios materiales diferentes para ver si realmente podía mejorar las predicciones. Primero, analizaron un conjunto de datos de perovskitas híbridas orgánico-inorgánicas, un tipo de cristal utilizado en celdas solares, para predecir sus brechas de banda (band gaps), que son una medida de qué tan bien conducen la electricidad. Cuando compararon su nuevo modelo con los métodos existentes, el enfoque híbrido que incluía la información de onda de largo alcance fue el más preciso, reduciendo significativamente el error en sus predicciones. Por el contrario, descubrieron que simplemente añadir un cálculo de largo alcance estándar sin el nuevo componente de la red neuronal no ayudaba, y usar solo la información de largo alcance sin los detalles locales no era suficiente por sí solo. El éxito provino de la forma específica en que combinaron las dos perspectivas.

A continuación, los investigadores abordaron un desafío más difícil: simular cristales con defectos, o piezas faltantes, donde las fuerzas de largo alcance son especialmente críticas. Crearon un modelo de un cristal de sal, cloruro de sodio, e introdujeron vibraciones aleatorias en los átomos para simular imperfecciones del mundo real. Entrenaron su modelo para predecir la energía total de estas estructuras, una tarea que requiere contabilizar la atracción eléctrica entre cada uno de los átomos en el sistema. Los resultados mostraron que su nuevo método, que aprende las fuerzas de largo alcance directamente de los datos, fue mucho más preciso que los modelos anteriores, especialmente cuando el cristal era grande y contenía defectos. También probaron esto en un material semiconductor complejo llamado nitruro de galio, que se utiliza en la electrónica de alta potencia. En este caso, el nuevo modelo no solo predijo la energía con mayor exactitud, sino que también proporcionó una imagen mucho más estable de cómo se comportaban las fuerzas entre los átomos, reduciendo los errores en las predicciones de fuerza por un margen significativo en comparación con los modelos estándar.

La clave de esta mejora no fue solo añadir más datos, sino cambiar la forma en que la computadora "ve" el cristal. Al traducir las posiciones atómicas a un formato que captura naturalmente los patrones repetitivos y de larga distancia del material, el modelo pudo aprender las interacciones sutiles y de largo alcance que los modelos tradicionales pasan por alto. Los investigadores también descubrieron que la forma en que entrenaron el modelo importaba enormemente; encontraron que enseñar a la computadora a comprender el entorno local primero, y luego añadir la información de largo alcance en un segundo paso, produjo resultados mucho mejores que intentar aprender todo a la vez. Este nuevo enfoque ofrece un camino prometedor para el diseño de mejores materiales, particularmente para sistemas donde el comportamiento del todo depende de las conexiones invisibles entre átomos que están lejos unos de otros.

¿Ahogado en artículos de tu campo?

Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.

Probar Digest →