Learning Between the Lines: Interaction Interpolation in a Multi Element Machine Learning Interatomic Potential

En el mundo de la ciencia de materiales, los investigadores intentan constantemente predecir cómo se comportarán los átomos cuando se unen para formar sólidos. Para ello, suelen recurrir a una herramienta digital llamada potencial interatómico. Piense en esta herramienta como un conjunto de reglas que le dice a una computadora cuánta energía se almacena en una disposición específica de átomos y con qué fuerza se empujan o se atraen entre sí. Durante décadas, la forma más precisa de generar estas reglas ha sido resolver complejas ecuaciones de mecánica cuántica para cada escenario posible. Aunque este método es preciso, es tan lento que puede tomar semanas simular una pequeña gota de metal líquido. Para acelerar las cosas, los científicos han recurrido al aprendizaje automático (machine learning). Estos programas informáticos aprenden de una biblioteca de ejemplos precalculados para predecir el comportamiento de nuevas disposiciones de forma casi instantánea. Sin embargo, un obstiente principal persiste: normalmente, se debe construir un nuevo modelo de aprendizaje automático desde cero para cada mezcla química o aleación específica que un científico desee estudiar. Esto crea un cuello de botella, ya que construir estos modelos personalizados es costoso y requiere mucho tiempo. La gran pregunta ha sido si un único modelo ligero podría aprender las reglas fundamentales de interacción lo suficientemente bien como para manejar combinaciones de elementos completamente nuevas sin necesidad de ser reentrenado desde el principio.

Un equipo de investigadores del Laboratorio Nacional de Los Álamos ha dado un paso significativo para responder a esa pregunta mediante el desarrollo de un modelo compacto y de propósito general para aleaciones metálicas. En lugar de intentar memorizar cada combinación posible de átomos, enseñaron a su modelo a comprender las interacciones básicas entre átomos individuales y pares de átomos, y luego probaron si podía descifrar grupos más complejos por su cuenta. Se centraron en doce elementos metálicos diferentes, incluyendo aluminio, titanio, cobre y tungsteno. Utilizando un proceso de aprendizaje inteligente y por etapas, alimentaron al modelo con datos de metales puros y mezclas simples de dos metales. Luego, le pidieron al modelo que predijera el comportamiento de mezclas de tres y hasta cuatro metales que nunca había visto antes. Los resultados fueron sorprendentes: el modelo, entrenado solo con datos simples, predijo con éxito la energía y la estabilidad de estos sistemas complejos de múltiples metales con alta precisión. Esto sugiere que el modelo aprendió a "leer entre líneas", infiriendo cómo interactúan tres o cuatro átomos al comprender las reglas más simples de cómo interactúan uno o dos átomos.

Los investigadores lograron esto utilizando un método llamado aprendizaje activo (active learning), que es como un estudiante que pide ayuda solo cuando está realmente atascado. En lugar de alimentar a la computadora con millones de ejemplos aleatorios, el sistema realizó simulaciones, identificó los momentos en los que tenía más dudas sobre la respuesta y luego pidió a una potente computadora cuántica que resolviera esos casos difíciles específicos. Estas nuevas respuestas de alta calidad se añadieron al conjunto de entrenamiento y el proceso se repitió. Organizaron este aprendizaje en etapas, comenzando con metales individuales, pasando a pares y, finalmente, introduciendo tríos. En un conjunto de experimentos, compararon un modelo entrenado con datos de metales simples y dobles contra otro modelo que también vio datos de metales triples. Sorprendentemente, el modelo que nunca vio los datos de metales triples funcionó igual de bien cuando se probó en esas mezclas complejas. Los errores al predecir la energía de estos sistemas de tres metales no vistos fueron casi idénticos a los del modelo que sí fue entrenado explícitamente para ellos. Esto indica que el modelo no simplemente memorizó una lista de reglas; aprendió la física subyacente lo suficientemente bien como para interpolar, o llenar los huecos, para las interacciones que no había encontrado antes.

El éxito de este enfoque se extiende aún más. El equipo probó si su modelo podía manejar un elemento completamente nuevo, el oro, que no formaba parte de los doce metales originales. Proporcionaron al modelo datos únicamente para átomos de oro puro, sin información sobre cómo el oro se mezcla con los otros metales. Cuando probaron el modelo con oro mezclado con los otros doce metales, este predijo con éxito el comportamiento de estas nuevas aleaciones. Aunque las predicciones no fueron perfectas, el modelo clasificó correctamente la estabilidad de las diferentes mezclas de oro y capturó las tendencias generales de energía. Esto demuestra que el modelo había aprendido un lenguaje universal de interacción atómica, permitiéndole transferir su conocimiento a un nuevo elemento químico con una cantidad mínima de datos adicionales. Los investigadores descubrieron que la capacidad de generalización del modelo era tan fuerte que incluso pudo predecir el comportamiento de aleaciones de cuatro metales, conocidas como sistemas cuaternarios, utilizando solo los datos de entrenamiento de metales simples y dobles.

Las implicaciones de este trabajo son sustanciales para el futuro del diseño de materiales. Actualmente, crear un modelo fiable para una nueva aleación a menudo requiere generar vastas cantidades de datos costosos, lo que limita la rapidez con la que los científicos pueden descubrir nuevos materiales. Este estudio sugiere que un conjunto de datos mucho más pequeño y cuidadosamente seleccionado podría ser suficiente. Al centrarse en la diversidad de los datos en lugar de solo en el volumen, y al asegurar que el modelo aprenda las interacciones fundamentales entre átomos individuales y pares, los científicos pueden construir modelos ligeros que sean tanto rápidos como ampliamente aplicables. Los investigadores señalaron que, si bien su modelo fue muy preciso para muchos escenarios, tuvo dificultades leves con algunas combinaciones específicas que involucraban vanadio, lo que resalta que, aunque el enfoque es poderoso, aún no es una solución perfecta para cada mezcla química posible. No obstante, los hallazgos ofrecen un camino práctico hacia adelante. Sugieren que no necesitamos bases de datos masivas y pesadas para entender materiales complejos. En su lugar, al enseñar a las máquinas la gramática básica de las interacciones atómicas, podemos permitirles que escriban las historias de las aleaciones complejas por sí mismas, acelerando el descubrimiento de nuevos metros y aleaciones para todo, desde la ingeniería aeroespacial hasta el almacenamiento de energía.