Differential Learning for Robust Prediction of Thermal Stability with Application to Energetic Materials

Cada material tiene un punto de ruptura, un momento en que el calor se vuelve demasiado difícil de soportar y los enlaces químicos que lo mantienen unido comienzan a romperse. Para los científicos que diseñan materiales energéticos —sustancias como explosivos y propelentes que impulsan cohetes o accionan maquinaria— conocer este punto de ruptura es una cuestión de vida o muerte. Si un material es demasiado inestable, podría explotar prematuramente durante el almacenamiento; si es demasiado estable, podría no cumplir su función cuando se necesite. La forma estándar de medir este margen de seguridad es calentar una muestra en un laboratorio y registrar la temperatura exacta en la que comienza a descomponerse. Sin embargo, esta simple medición es sorprendentemente difícil de confiar. Diferentes laboratorios utilizan diferentes velocidades de calentamiento, diferentes cantidades de muestra y diferentes formas de reportar los resultados. Cuando los investigadores intentan recopilar estos números de diversas fuentes para construir un modelo computacional, los datos se convierten en un caos ruidoso e inconsistente, lo que hace casi imposible enseñar a una máquina a predecir qué nuevas moléculas serán seguras y cuáles serán peligrosas.

Un equipo de investigadores del Laboratorio Nacional de Los Álamos y la Universidad de Texas Tech ha encontrado una forma ingeniosa de atravesar este ruido. En lugar de intentar enseñar a una computadora a predecir la temperatura exacta en la que una molécula se romperá, le enseñaron a comparar dos moléculas a la vez y decidir cuál es más estable. Este enfoque, que llaman aprendizaje diferencial, ignora las diferencias confusas entre laboratorios y se concentra enteramente en el orden relativo de los materiales. Al entrenar a la inteligencia artificial para observar pares de moléculas y predecir la diferencia en su estabilidad, el equipo creó un sistema que puede clasificar miles de compuestos con alta precisión. Su trabajo sugiere que, aunque no siempre podemos confiar en un número único de un informe de laboratorio, sí podemos confiar de manera fiable en la relación entre dos productos químicos diferentes.

Los investigadores aplicaron este método a un conjunto de datos de moléculas orgánicas que contienen solo carbono, hidrógeno, nitrógeno y oxígeno, un grupo común en los materiales energéticos. Recopilaron datos experimentales de estudios publicados, pero, como era de esperar, los números eran inconsistentes. Cuando intentaron usar modelos computacionales estándar para predecir la temperatura de descomposición exacta para cada molécula, los resultados fueron deficientes. Los modelos tuvieron dificultades para distinguir entre moléculas que eran muy similares y a menudo fallaron al identificar los valores atípicos más estables o menos estables. Este fallo resaltó el problema: el ruido en los datos estaba ahogando las verdaderas señales químicas.

Para resolver esto, el equipo cambió la pregunta. Dejaron de preguntar a la computadora: "¿Cuál es la temperatura de esta molécula?", y empezaron a preguntar: "¿Es esta molécula más estable que esa otra?". Alimentaron a la computadora con pares de moléculas y le pidieron que predijera la diferencia en su estabilidad. Este cambio les permitió generar una cantidad masiva de ejemplos de entrenamiento a partir de un conjunto de datos relativamente pequeño. Si tenían 850 moléculas, podían crear cientos de miles de pares únicos para estudiar. La computadora aprendió a detectar las características estructurales sutiles que hacían que una molécula se mantuviera unida mejor que otra, filtrando eficazmente los errores experimentales que afectaban a los números absolutos.

Probaron dos tipos diferentes de modelos computacionales para ver cuál funcionaba mejor. Un modelo veía las moléculas como simples grafos de átomos y enlaces, aprendiendo directamente de la forma de la molécula. El otro modelo utilizó una lista de propiedades calculadas, como cuánta energía se necesitaría para romper un enlace específico, para tomar su decisión. Ambos modelos funcionaron notablemente bien. Al pedirles que clasificaran las moléculas en un conjunto de prueba, identificaron correctamente al miembro más estable de un par aproximadamente el 87 por ciento de las veces. Esto representó una mejora significativa respecto a los métodos tradicionales, que habían tenido dificultades para dar sentido a los mismos datos. El éxito de ambos modelos, a pesar de utilizar diferentes formas de observar las moléculas, dio a los investigadores la confianza de que habían encontrado una forma robusta de manejar datos experimentales desordenados.

Más allá de simplemente clasificar las moléculas, los investigadores querían entender qué estaba aprendiendo realmente la computadora. Utilizaron una técnica para echar un vistazo dentro de la "caja negra" de la red neuronal y ver qué características impulsaban las predicciones. Descubrieron que la computadora dependía fuertemente de dos factores principales: el equilibrio de oxígeno en la molécula y la fuerza de sus enlaces químicos más débiles. Esto coincide con lo que los químicos han sospechado durante mucho tiempo. En los materiales energéticos, la presencia de oxígeno suele correlacionarse con un mayor rendimiento pero una menor estabilidad, mientras que el enlace más débil en una cadena actúa como un detonante para la descomposición. Sin embargo, el estudio también reveló que ningún factor único cuenta la historia completa. La computadora no solo observó el enlace más débil de forma aislada; consideró la combinación completa de la forma de la molécula, la fuerza de sus enlaces y su composición química. Esto sugiere que predecir la estabilidad es un rompecabezas complejo donde la interacción de muchas partes pequeñas importa más que cualquier pieza individual.

Para demostrar cómo este conocimiento podría usarse en el mundo real, el equipo utilizó como punto de partida una molécula famosa y altamente estable llamada TATB. Le pidieron a la computadora que imaginara pequeños cambios en la estructura de la molécula y predijera cómo esos cambios afectarían su estabilidad. El modelo identificó correctamente que reemplazar ciertos grupos de átomos por otros podría fortalecer o debilitar la molécula. Por ejemplo, predijo que intercambiar ciertos grupos que contienen hidrógeno por otros que contienen oxígeno haría que la molécula fuera significativamente menos estable. Por el contrario, sugirió que eliminar por completo ciertos grupos inestables podría hacer que la molécula fuera aún más robusta. Estos hallazgos proporcionan una guía clara para los químicos que desean diseñar nuevos materiales: saben qué características estructurales mantener y cuáles evitar para lograr el equilibrio adecuado entre potencia y seguridad.

El estudio concluye que este enfoque diferencial es una herramienta poderosa para el descubrimiento de materiales, especialmente cuando los datos disponibles son imperfectos. Al centrarse en las diferencias relativas en lugar de los valores absolutos, los investigadores pudieron construir un modelo que funciona bien a pesar de las inconsistencias en la forma en que se recolectaron los datos. Han puesto su conjunto de datos y sus modelos a disposición del público, con la esperanza de que otros utilicen este método para diseñar materiales más seguros y efectivos. Aunque los modelos actuales se basan en las propiedades de moléculas aisladas en el vacío, los investigadores reconocen que los materiales del mundo real existen en formas sólidas donde las moléculas interactúan entre sí. El trabajo futuro deberá tener en cuenta estas interacciones, pero el éxito de este nuevo método ofrece un camino prometedor para navegar la compleja química de la estabilidad térmica.