Accurate Chemistry Collection: Coupled cluster atomization energies for broad chemical space

Microsoft Research presenta MSR-ACC/TAE25, un conjunto de datos abierto que incluye 73.040 energías de atomización calculadas con precisión subquímica (nivel CCSD(T)/CBS) para cubrir exhaustivamente el espacio químico de moléculas neutras y cerradas con hasta cinco átomos no hidrógeno, facilitando así el desarrollo de métodos computacionales predictivos basados en datos.

Lo esencial

¡Hola! Imagina que la química es como un inmenso universo de LEGO. Cada molécula es una construcción única hecha con bloques de diferentes colores (los átomos). Para entender cómo funcionan estas construcciones, los científicos necesitan saber exactamente cuánta energía se requiere para desarmarlas completamente hasta dejar solo los bloques sueltos. A esto se le llama energía de atomización.

El problema es que, hasta ahora, teníamos muy pocos "mapas" precisos de este universo. Los mapas existentes eran o muy pequeños (solo cubrían las construcciones más simples) o muy imprecisos (como un mapa dibujado a mano con errores). Esto hacía muy difícil crear nuevas herramientas de inteligencia artificial o software que pudieran predecir cómo se comportarían moléculas nuevas y complejas.

Aquí es donde entra este nuevo trabajo de Microsoft Research, que podemos llamar "El Gran Atlas de Química de Alta Precisión".

¿Qué han creado?

Han construido un gigantesco catálogo que contiene 73,040 recetas de cómo desarmar moléculas. Pero no son recetas cualquiera; son recetas calculadas con una precisión quirúrgica, usando un método de supercomputación llamado CCSD(T).

Piensa en esto así:

• Si calcular la energía de una molécula con métodos comunes es como usar una balanza de cocina (funciona bien para la mayoría de cosas, pero tiene un margen de error), este nuevo catálogo usa una balanza de laboratorio de oro puro que mide hasta la milésima de gramo.
• La meta era lograr una precisión tan alta que el error fuera menor a 1 kilocaloría por mol. En el mundo de la química, esto es como intentar medir la distancia entre dos ciudades con un error menor al grosor de un cabello. ¡Es increíblemente preciso!

¿Cómo lo hicieron? (El proceso de construcción)

Para llenar este catálogo, no solo miraron las moléculas que ya existían en la naturaleza (como el agua o el azúcar). Fueron más allá:

1. Inventaron moléculas nuevas: Usaron algoritmos (como un chef creativo con una lista de ingredientes) para generar millones de estructuras moleculares posibles que cumplen ciertas reglas (que sean estables, neutras y no tengan electrones "rebelde" que causen caos).
2. El filtro de calidad: Imagina que tienes un millón de candidatos para un equipo de fútbol. No puedes entrenarlos a todos con el entrenador estrella (que es muy caro y lento). Primero, usas un entrenador asistente rápido (métodos más simples) para descartar a los que claramente no sirven.
   • Descartaron las moléculas que se desmoronan solas.
   • Descartaron las que tienen estados cuánticos "confusos" (multireferencia), porque el método de precisión no funciona bien con ellas.
3. El entrenamiento final: A los 73,040 candidatos que sobrevivieron al filtro, les aplicaron el "entrenador estrella" (el método W1-F12) para obtener la medida de energía perfecta.

¿Por qué es importante este "Atlas"?

Este catálogo es como un campo de entrenamiento de élite para la Inteligencia Artificial y los químicos:

• Para la Inteligencia Artificial: Antes, las IAs se entrenaban principalmente con moléculas orgánicas (las que tienen carbono, como las de los fármacos). Este catálogo incluye muchos elementos inorgánicos (como aluminio, silicio, fósforo). Es como si antes solo hubieras practicado jugando al fútbol, y de repente te dieran un campo con reglas para jugar al fútbol, al baloncesto y al rugby. Ahora, las IAs pueden aprender a predecir el comportamiento de cualquier molécula, no solo las "famosas".
• Para los químicos: Ahora tienen un "punto de referencia" absoluto. Si un químico crea un nuevo software para predecir reacciones, puede probarlo contra este catálogo. Si el software falla aquí, sabe que necesita mejorar. Si acierta, ¡es una herramienta muy potente!
• Para el futuro: Este catálogo ya ha servido para crear el primer "funcional" (una fórmula matemática clave en química) que logra una precisión química real. Es decir, han creado una herramienta que puede predecir la energía de las moléculas casi tan bien como las supercomputadoras más caras, pero mucho más rápido.

En resumen

Imagina que la química es un rompecabezas gigante. Durante años, solo teníamos las piezas de las esquinas y los bordes. Este trabajo de Microsoft Research ha traído todas las piezas del centro, perfectamente encajadas y con una calidad de imagen perfecta.

Ahora, los científicos y la inteligencia artificial tienen un mapa completo y preciso para explorar nuevos territorios químicos, diseñar mejores medicamentos, crear nuevos materiales y entender el universo molecular con una claridad que nunca antes habíamos tenido. ¡Es un salto gigante hacia el futuro de la ciencia!

Resumen técnico

Título: Colección de Química Precisa de Microsoft Research: Energías de atomización acopladas para un amplio espacio químico

1. El Problema

Los datos termoquímicos precisos (con una precisión sub-química, definida como dentro de 1 kcal mol⁻¹ de la verdad empírica) son fundamentales para avanzar en los métodos de química computacional. Sin embargo, existen limitaciones significativas en los conjuntos de datos actuales:

• Escasez y alcance limitado: Los conjuntos de datos existentes que alcanzan este nivel de precisión suelen ser pequeños o estar restringidos a sistemas orgánicos específicos (como los derivados de fármacos).
• Barreras para métodos basados en datos: Esta falta de datos extensos y diversos dificulta el desarrollo de métodos impulsados por datos (machine learning, DFT, semiempíricos) que puedan predecir con precisión en todo el espacio químico de moléculas neutras de capa cerrada.
• Desafío teórico: La energía de atomización total (TAE) es una de las propiedades más difíciles de calcular para métodos de estructura electrónica aproximados, ya que implica la disociación completa de la molécula en átomos, sin conservación de entornos químicos entre reactivos y productos. Por lo tanto, sirve como un límite superior riguroso para evaluar errores teóricos.

2. Metodología

El equipo ha desarrollado el conjunto de datos MSR-ACC/TAE25 mediante un proceso riguroso de generación, filtrado y etiquetado:

• Generación de Estructuras:
  • Espacio Químico: Se cubrió exhaustivamente el espacio de moléculas de capa cerrada, neutras y covalentes con hasta 5 átomos no hidrógeno, utilizando elementos desde el hidrógeno hasta el argón (excluyendo gases nobles).
  • Algoritmos de Grafos: Se utilizaron tres enfoques para generar grafos moleculares: (1) Enumeración combinatoria exhaustiva (hasta 4 átomos no H), (2) Muestreo de secuencias de grados (con y sin hidrógenos explícitos), y (3) Un modelo autoregresivo basado en GPT-2 entrenado en SMILES para generar nuevas estructuras.
  • Optimización Geométrica: Los grafos se convirtieron a estructuras 3D mediante una cascada de optimizaciones: UFF (posición inicial) $\rightarrow$ GFN2-xTB (búsqueda de conformeros) $\rightarrow$ r2SCAN-3c $\rightarrow$ B3LYP-D3(BJ)/def2-TZVPP (optimización final).
• Filtrado Riguroso:
  • Se descartaron estructuras que se disociaban en fragmentos no covalentes.
  • Se eliminaron sistemas con un estado fundamental triple (gap singlete-triplete negativo según B3LYP).
  • Se aplicó un filtro de carácter multirreferencial: se calculó el diagnóstico %TAE[(T)] (porcentaje de la energía de atomización aportado por las excitaciones triples conectadas). Se excluyeron todas las estructuras con %TAE[(T)] > 6% para asegurar que el método CCSD(T) fuera aplicable con precisión.
• Etiquetado de Alta Precisión:
  • Se calcularon las energías de atomización totales (TAE) utilizando el protocolo de onda compuesta W1-F12 a nivel CCSD(T)/CBS (límite de base completa).
  • Este protocolo incluye correcciones de Hartree-Fock, correlación CCSD-F12, excitaciones triples (T) y correcciones de núcleo-valencia (CV), extrapoladas al límite de base completa.
  • Se utilizaron los paquetes de software Molpro (para W1-F12), Orca (para DFT) y xtb/OpenBabel.

3. Contribuciones Clave

• MSR-ACC/TAE25: Un nuevo conjunto de datos masivo que contiene 73,040 energías de atomización totales de alta precisión.
• Diversidad Química sin Precedentes: A diferencia de conjuntos anteriores centrados en orgánicos (como GDB-9), este dataset incluye una mezcla equilibrada de sistemas orgánicos (45.1%) e inorgánicos (54.9%), abarcando elementos de los periodos 2 y 3 (H, Li, Be, B, C, N, O, F, Na, Mg, Al, Si, P, S, Cl).
• Formato Estándar y Licencia Abierta: Los datos están disponibles en Zenodo bajo la licencia CDLA Permissive 2.0, en formato QCSchema, incluyendo coordenadas cartesianas, grafos moleculares, energías de referencia W1-F12 y componentes de energía auxiliares.
• División de Datos: Se proporcionan divisiones canónicas de entrenamiento (99%) y validación (1%), filtradas para evitar superposición con conjuntos de referencia populares como W4-17 y GMTKN55.

4. Resultados y Validación Técnica

• Distribución de Datos: El dataset cubre moléculas de 2 a 17 átomos totales. Se identificaron 287,000 enlaces entre átomos no hidrógeno, cubriendo casi todas las combinaciones posibles de los primeros dos periodos (excepto F-F, que fue filtrado por alto carácter multirreferencial).
• Diagnósticos de Calidad:
  • El diagnóstico %TAE[(T)] muestra una distribución que se corta abruptamente en el 6% (el límite de filtrado), con un pico alrededor del 2%, confirmando que la mayoría de las moléculas son de un solo determinante.
  • Los gaps singlete-triplete se centran en ~2 eV, asegurando estados fundamentales singlete estables.
• Validación de Funcionales DFT: Se evaluaron múltiples funcionales de intercambio-correlación (DFT) contra los valores de referencia W1-F12. Los errores siguen una distribución normal, permitiendo identificar valores atípicos. Los funcionales de "escalera de Jacob" más avanzados (como ωB97X-V y revDSD-PBEP86) mostraron el mejor rendimiento, aunque con desviaciones significativas en sistemas inorgánicos complejos, destacando la necesidad de nuevos métodos.
• Comparación con Otros Sets: MSR-ACC/TAE25 ofrece una diversidad de entornos químicos locales mucho mayor que GDB-9 (QM9) y VQM24/DMC, especialmente en compuestos inorgánicos y enlaces no tradicionales.

5. Significado e Impacto

• Habilitador para IA y ML: El dataset permite entrenar y validar modelos de aprendizaje profundo (como redes neuronales de grafos) para predecir propiedades químicas con una precisión sin precedentes, más allá del enfoque tradicional en química orgánica.
• Desarrollo de Funcionales DFT: Ya se ha utilizado para entrenar el primer funcional de intercambio-correlación que alcanza precisión química para energías de atomización.
• Referencia Rigurosa: Proporciona un estándar de oro para evaluar la precisión de métodos de estructura electrónica aproximados en un espacio químico amplio y desafiante, incluyendo compuestos de bloques s y p que a menudo fallan en métodos estándar.
• Futuro: Este es el primer lanzamiento de la colección MSR-ACC, con planes de expansión futura para cubrir un espacio químico aún más amplio con la misma o mayor precisión.

En resumen, MSR-ACC/TAE25 cierra una brecha crítica en la literatura al proporcionar un conjunto de datos masivo, diverso y de alta fidelidad teórica, esencial para la próxima generación de métodos computacionales en química.