← Últimos artículos
🔬 ciencia de materiales

Physics Informed Priors for Machine Learning Interatomic Potentials with Uncertainty Quantification

Este artículo introduce un esquema de cuantificación de la incertidumbre consciente de la especificación errónea para potenciales interatómicos de aprendizaje automático que integra prioris físicos definidos por el usuario en el conjunto del modelo, asegurando la consistencia física al tiempo que reduce el costo computacional de la construcción de conjuntos de datos para aplicaciones como vibraciones fonónicas y propiedades elásticas.

Autor original: George I. Simmons, Thomas D. Swinburne, Thomas Hudson, James R. Kermode

Publicado 2026-11-09
📖 8 min de lectura🧠 Análisis profundo

Autor original: George I. Simmons, Thomas D. Swinburne, Thomas Hudson, James R. Kermode

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 el autor. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En la búsqueda de comprender cómo se comportan los materiales, los científicos suelen recurrir a potentes simulaciones por computadora. Para ejecutar estas simulaciones de manera eficiente, utilizan modelos simplificados llamados potenciales interatómicos. Piense en estos modelos como un conjunto de reglas que le dicen a una computadora cómo los átomos se empujan y se atraen entre sí, lo que permite a los investigadores predecir desde cómo se dobla un metal hasta cómo se funde un cristal sin necesidad de resolver las ecuaciones más complejas de la física cuántica para cada átomo. Sin embargo, estas reglas simplificadas nunca son perfectas. Son aproximaciones y, debido a que son aproximaciones, a veces pueden desviar la simulación, prediciendo que un material estable colapsará repentinamente o que un átomo vibrará de una manera que la física dice que es imposible. El desafío para los científicos no es solo hacer una predicción, sino saber cuánto pueden confiar en ella, especialmente cuando el propio modelo puede estar fundamentalmente erroneado en su diseño.

Un equipo de investigadores ha desarrollado una nueva forma de solucionar este problema, enseñando a estos modelos computacionales a respetar las leyes básicas de la física mientras aprenden. En un estudio reciente, introdujeron un método que actúa como una red de seguridad, asegurando que las predicciones de la computadora se mantengan dentro del reino de la realidad física. Los investigadores se centraron en una técnica llamada cuantificación de la incertidumbre, que es esencialmente una forma de que un modelo computacional diga: "No estoy del todo seguro de esta respuesta". Los métodos anteriores podían decirle a un modelo qué tan incierto era, pero a menudo fallaban en evitar que el modelo hiciera predicciones físicamente imposibles, como sugerir que una red cristalina vibraría con velocidades imaginarias o que un material sólido tendría una rigidez negativa. El nuevo enfoque combina la capacidad de medir la incertidumbre con reglas físicas estrictas, obligando al modelo a admitir sus limitaciones sin violar nunca los principios fundamentales que rigen cómo la materia se mantiene unida.

El núcleo de este trabajo involucra un tipo específico de modelo de aprendizaje automático conocido como potencial interatómico de aprendizaje automático. Estos modelos se entrenan con datos generados por cálculos de mecánica cuántica altamente precisos, pero extremadamente lentos. El objetivo es crear un modelo rápido que imite estos cálculos lentos. Sin embargo, debido a que el modelo rápido no puede capturar cada detalle del complejo mundo cuántico, inevitablemente comete errores. Los investigadores utilizaron un método llamado Regresión de Conjunto de Parámetros Óptimos Puntuales, que genera toda una familia de modelos ligeramente diferentes en lugar de solo un único modelo "mejor". Esta familia de modelos ayuda a los científicos a comprender el rango de posibles resultados. El problema con este método, hasta ahora, era que algunos de los modelos en esta familia podrían predecir que un material es inestable o que sus átomos se comportan de maneras que desafían las leyes de la física. El nuevo estudio resuelve esto añadiendo una capa de restricciones durante el proceso de entrenamiento. Estas restricciones actúan como barandillas, asegurando que cada uno de los modelos en la familia respete verdades físicas específicas, como el hecho de que un cristal debe tener una forma estable y que sus vibraciones deben ser cantidades reales y mensurables.

Para probar su idea, los investigadores la aplicaron al aluminio, un metal común. Entrenaron sus modelos con un conjunto de datos que contenía miles de configuraciones atómicas. En un experimento, se centraron en las vibraciones de los átomos, conocidas como fonones. En un cristal estable, estas vibraciones deben tener frecuencias reales; si un modelo predice una vibración con una frecuencia imaginaria, implica que el cristal se está desmoronando. Los investigadores descubrieron que, sin sus nuevas restricciones, el método estándar producía una familia de modelos donde muchos miembros predecían estas vibraciones imaginarias imposibles, sugiriendo que el material era inestable cuando debería ser sólido. Al imponer la regla física de que estas vibraciones deben ser reales, filtraron los modelos imposibles. El resultado fue un conjunto de predicciones que permanecieron lo suficientemente inciertas como para reflejar las limitaciones del modelo, pero que eran físicamente consistentes. Los modelos restringidos predijeron correctamente que el cristal de aluminio permanecería estable, mientras que los modelos no restringidos a menudo fallaron en hacerlo.

El equipo también observó cómo responde el material al ser comprimido o estirado, una propiedad descrita por las constantes elásticas. Entrenaron un modelo de red neuronal más complejo, un tipo de inteligencia artificial que aprende patrones de datos, y aplicaron las mismas restricciones físicas. Obligaron al modelo a estar de acuerdo con los valores experimentales conocidos para el tamaño del cristal de aluminio y su rigidez, pero solo dentro de un margen de error muy pequeño. Esto no obligó al modelo a ser perfecto; en cambio, lo guio para que se mantiera dentro de un rango realista. Cuando probaron el modelo en otras propiedades, como la facilidad con la que un átomo faltante (una vacante) puede moverse a través del cristal, encontraron que las restricciones no arruinaron la capacidad del modelo para predecir estos nuevos comportamientos. El modelo mantuvo la flexibilidad necesaria para aprender los detalles complejos del movimiento atómico mientras permanecía anclado a los hechos básicos de cómo se comporta el material.

La importancia de este trabajo radica en su capacidad para equilibrar dos necesidades contrapuestas: la necesidad de que un modelo admita lo que no sabe y la necesidad de que nunca diga algo que sea físicamente imposible. En el pasado, los científicos tenían que elegir entre un modelo que era muy incierto pero físicamente seguro, o un modelo que era preciso pero podía derivar en el sinsentido. Este nuevo método les permite tener ambos. Al construir las leyes físicas directamente en la forma en que el modelo aprende, los investigadores aseguran que la incertidumbre que miden sea significativa. Les dice cuánto puede estar faltando en el diseño del modelo, en lugar de simplemente cuánto es ruidosos los datos. Esto es particularmente importante para simular materiales a diferentes temperaturas o bajo diferentes presiones, donde los pequeños errores pueden conducir a conclusiones grandes e incorrectas sobre si un material se derretirá o se romperá.

Los investigadores demostraron que su enfoque funciona para diferentes tipos de modelos, desde ecuaciones lineales simples hasta redes neuronales complejas. Mostraron que incluso cuando los datos de entrenamiento eran limitados, el método podía producir resultados fiables apoyándose en las restricciones físicas. Por ejemplo, cuando simularon aluminio a una temperatura de 200 Kelvin, los modelos no restringidos predijeron una estructura caótica que no se parecía a un cristal. Los modelos restringidos, sin embargo, mantuvieron la estructura cristalina correcta, mostrando picos claros en la disposición de los átomos que coinciden con lo esperado para un metal sólido. Esto sugiere que el método puede rescatar simulaciones que de otro modo fallarían, permitiendo a los científicos realizar experimentos más largos y complejos sin preocuparse de que el modelo haya derivado hacia una imposibilidad física.

En última instancia, esta investigación ofrece una herramienta práctica para los científicos que diseñan materiales. Proporciona una forma de incorporar hechos conocidos, como el tamaño de un cristal o la velocidad del sonido a través de un metal, directamente en el proceso de aprendizaje de un modelo computacional. Esto reduce la necesidad de generar cantidades masivas de nuevos datos solo para corregir los errores básicos de un modelo. En lugar de alimentar constantemente a la computadora con más ejemplos de cómo debería comportarse un material, los científicos simplemente pueden decirle las reglas que debe seguir. Esto hace que el proceso de creación de modelos precisos sea más rápido y eficiente. El método está diseñado para ser flexible, lo que significa que puede aplicarse a muchos materiales y propiedades diferentes, siempre que esas propiedades puedan describirse mediante un conjunto de reglas matemáticas que la computadora pueda verificar.

El estudio concluye que, si bien ningún modelo puede replicar perfectamente la complejidad del mundo cuántico, podemos construir modelos que sean honestos sobre sus limitaciones sin sacrificar la realidad física. Al imponer estos conocimientos previos físicos, los investigadores han creado un marco donde la incertidumbre no es solo una medida de duda, sino una medida de cuánto difiere el diseño del modelo de la física real, todo ello manteniendo las predicciones ancladas en la realidad. Este enfoque abre la puerta a simulaciones más fiables de procesos complejos, como la forma en que los materiales se deforman bajo tensión o cómo responden al calor extremo, brindando a los científicos mayor confianza en los resultados que utilizan para diseñar los materiales del futuro.

¿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 →