Búsqueda · 27 momentos en 15 episodios
Silvana TapiaJuan Carlos GilFrancis VillatoroHéctor SocasBorja Tosartpmd combina precisión cuántica velocidadaprendizaje activo refina método simulaciónred profunda calcula potencial partículadft feten optimiza configuraciones simulaciónTPMDDFTFETENJuan Carlos GilTIP 4P 2005CarrParrinelloDinámica Molecular Aviniciointeracciones de CoulombLeonard JonesVan der WaalsDFT-FETENAlderWeimrechtsegunda ley de NewtonHéctor Socasteoría del funcional de la densidad DFTAIMDMonte CarloNaturalezafigura 6
Dinámica Molecular con potencial profundo
Con
0:000:301:001:302:002:303:003:35
Juan Carlos Gil explica cómo la dinámica molecular con potencial profundo (TPMD) combina precisión cuántica y velocidad de la dinámica molecular clásica, permitiendo refinar el método durante la simulación.
…mostraron que podemos entrenar una red neuronal profunda para imitar la superficie de energía real cuántica dada por la DFT en lugar de tener que calcular la DFT completa en cada paso de la simulación. Vamos, yo me quedé de piedra, ultra ingenioso, así nace. La dinámica molecular con potencial profundo, TPMD, que combina las mejores cosas de ambos mundos: la precisión cuántica por una parte y la velocidad de la dinámica molecular clásica. Solo tienes que consultar la red profunda en cada paso de la simulación para que te dé el potencial en una partícula. Luego, en trabajos posteriores, refinaron el método con lo que llaman aprendizaje activo. El propio sistema durante la simulación, si se da cuenta, haciendo una serie de chequeos, que el potencial profundo que conoce empieza a no representar de forma óptima las configuraciones que le van saliendo en la simulación pues puede calcular esas configuraciones por un DFT chulo, FETEN, e incorporar esos nuevos valores al reentrenar la red e incorporarlo para seguir haciendo la simulación con un potencial refinado. Vale, os he hablado de agua por un poquito y también de simulación, pero todavía necesito introducir otra cosita antes de pasar al artículo, mezclando agua y simulación. ¿Qué modelos de agua se han utilizado para la simulación? Pues el primer modelo moderno…
Palabras #1
Juan Carlos Gil explica cómo las simulaciones por ordenador imitan el comportamiento de las moléculas al definir un potencial de interacción que asigna energía a cada configuración molecular.
Habla: Juan Carlos GilSignificado #3 · Palabras #9potencial de interacción molecularsimulaciones ordenador moléculasinteracción coulomb cargasmodelo leonard jonesenergía potencial configuración molecularsimulación del agua como universo digitalátomos y moléculas siguiendo potencialesfuerzas que marcan los potencialespropiedades estructurales y termodinámicas simuladastécnicas de física estadística aplicadas…Amundsen y Scott, exploradores del hielo, del hielo en particular y el diagrama de fases del agua en general, bueno pues es la simulación, la simulación por ordenador, que os quiero contar muy rápidamente cómo va esto de la simulación de materia condensada. La idea central es que si conocemos cómo interactúan las moléculas entre sí, podemos hacer que un ordenador pues imite su comportamiento. En la práctica esto requiere definir un potencial de interacción, una función que asigna una energía potencial a cada configuración de las moléculas, Energía que luego ya se intercambiará con cinética u otros grados de libertad, si hay vibración, etc. pues cuando las moléculas se menean Así la simulación explora el paisaje energético del modelo de potencial que estemos considerando En modelos clásicos estos potenciales son bastante simples describen solamente interacciones por pares entre centros de carga o átomos individuales. Estoy hablando de interacción de Coulomb entre cargas, esferas duras, era un modelo que se ha utilizado muchísimo, bolas de billar, Leonard Jones, que es un potencial suave con una repulsión y una atracción por Van der Waals, aunque obviamente la Naturaleza es mucho más compleja que estas esferas duras, ya existen interacciones de múltiples cuerpos, polarización y efectos cuánticos en general. Así que lo que hacemos con la simulación es construir una suerte de universo digital, si queréis, donde los átomos y las moléculas se mueven, chocan y se reorganizan siguiendo las fuerzas estas que marcan los potenciales y a partir de las posiciones y velocidades que vamos obteniendo, pues podemos deducir las propiedades estructurales y termodinámicas de la sustancia simulada pues aplicando técnicas de física estadística. Pero, y esto es lo importante, para que este universo Digital se parezca a nuestros cacharritos en el laboratorio, a la naturaleza real, pues es necesario parametrizar el potencial. Es decir, hay que ajustar sus parámetros: el tamaño de la bola, la profundidad del pozo de potencial para reproducir propiedades…
Juan Carlos Gil explica cómo funciona la dinámica molecular en pocas frases y luego introduce un avance significativo realizado en 1985 por Carr y Parrinello.
Habla: Juan Carlos GilSignificado #2 · Palabras #7simulación dinámica molecular alder weimrechtfuerzas derivadas potencial newtonmovimiento real de las partículassegunda ley de newton aceleracionesdinámica molecular en simulaciones carr parrinnellosimulaciones de dinámica molecular aviniciomecanica cuántica y dinámica moleculardinámica molecular avinicio aimdfidelidad cuántica en materia condensadacoste computacional simulación monte carlo…hemos inspirado, ¿verdad Héctor? En el resumen gráfico, en el abstract gráfico del paper, que es muy chulo. Bueno, tú te has inspirado en eso, yo me inspiré en ti, directamente pregunté: Juan Carlos, no tengo ni idea de qué hacer para la portada, ¿qué hago? Y ahí me diste esa idea. Vale, pues en mi larga introducción se había contado las rarezas del agua y que las solemos estudiar por simulación; que había dos formas: Monte Carlo y dinámica molecular, y me quedo en Monte Carlo. La dinámica molecular surge en 1957 con los trabajos pioneros de Alder y Weimrecht. A diferencia del Monte Carlo, esto es la clave de las dos técnicas: en dinámica molecular sí se sigue el movimiento real de las partículas. Primero se calculan las fuerzas derivadas del potencial que estamos considerando; lo conté también durante un ratito, se aplica la segunda ley de Newton para obtener las aceleraciones y se integran las ecuaciones del movimiento con esas aceleraciones con un paso de tiempo pequeñito para ir actualizando posiciones, vibraciones, etcétera, velocidades de todas las partículas. Eso es la dinámica molecular en ocho frases. Bueno, pues en 1985, han pasado 40 años desde las primeras simulaciones de dinámica molecular, Carr y Parrinello dieron un salto enorme a esto de la simulación por ordenador al unir la dinámica molecular con la mecánica cuántica. Crearon lo que se llama Dinámica Molecular Avinicio, A-I. -M-D, donde las fuerzas ya no vienen de un potencial artificial que hay que parametrizar, sino de resolver cuánticamente las nubes de electrones del sistema en cada paso de la simulación En particular, el método este de Cariparrinello usa la teoría del funcional de la densidad DFT, que es uno de los culpables habituales en teoría cuántica Con AIMD podemos, por tanto, simular la materia condensada con fidelidad cuántica, si se quiere, pero con un coste computacional desorbitado Entre mil y cien mil veces más que una simulación equivalente por Monte Carlo o por dinámica molecular Yo empecé la tesis en 1987 y por supuesto en mi grupo conocimos rápidamente los trabajos de Carr y Parrinello Pero su técnica estaba total, absoluta y demencialmente fuera de nuestro alcance En mi tesis hice Monte Carlo de polielectrolitos e iones con unas 500…
Juan Carlos Gil explica cómo la dinámica molecular con potencial profundo (TPMD) combina precisión cuántica y velocidad de la dinámica molecular clásica, permitiendo refinar el método durante la simulación.
Habla: Juan Carlos GilPalabras #1tpmd combina precisión cuántica velocidadaprendizaje activo refina método simulaciónred profunda calcula potencial partículadft feten optimiza configuraciones simulación…mostraron que podemos entrenar una red neuronal profunda para imitar la superficie de energía real cuántica dada por la DFT en lugar de tener que calcular la DFT completa en cada paso de la simulación. Vamos, yo me quedé de piedra, ultra ingenioso, así nace. La dinámica molecular con potencial profundo, TPMD, que combina las mejores cosas de ambos mundos: la precisión cuántica por una parte y la velocidad de la dinámica molecular clásica. Solo tienes que consultar la red profunda en cada paso de la simulación para que te dé el potencial en una partícula. Luego, en trabajos posteriores, refinaron el método con lo que llaman aprendizaje activo. El propio sistema durante la simulación, si se da cuenta, haciendo una serie de chequeos, que el potencial profundo que conoce empieza a no representar de forma óptima las configuraciones que le van saliendo en la simulación pues puede calcular esas configuraciones por un DFT chulo, FETEN, e incorporar esos nuevos valores al reentrenar la red e incorporarlo para seguir haciendo la simulación con un potencial refinado. Vale, os he hablado de agua por un poquito y también de simulación, pero todavía necesito introducir otra cosita antes de pasar al artículo, mezclando agua y simulación. ¿Qué modelos de agua se han utilizado para la simulación? Pues el primer modelo moderno…
Juan Carlos Gil explica las limitaciones de los modelos de agua existentes, señalando que no capturan fenómenos naturales como la autoionización debido a que asumen enlaces permanentes entre oxígeno e hidrógeno.
Habla: Juan Carlos GilSignificado #1 · Palabras #2enlaces oxígeno e hidrógeno permanentesautoionización del agua naturalintercambio de hidrógenos entre moléculasdinámica molecular con potencial profundocálculo dft del mapa de potencial…de interacción que dio lugar a toda una familia de variantes con cuatro centros, cuyo campeón absoluto es el TIP 4P 2005, publicado por Abascal y Vega en 2005 y que sigue siendo a día de hoy el estándar de oro para simular agua y hielo con modelos rígidos. Pero todos estos modelos tienen una limitación grave y es que obviamente los enlaces, cada oxígeno tiene sus dos hidrógenos apareados de por vida, son sus hidrógenos y esos enlaces no se rompen, no capturan los fenómenos que ocurren en el agua natural como la autoionización, el intercambio de hidrógenos entre moléculas. Por eso la técnica esta de dinámica molecular con potencial profundo, que ignora el hecho de que hay moléculas construidas, simplemente calcula el DFT, el mapa de potencial completo, pues ha tenido mucho éxito precisamente para una sustancia tan paradigmática como el agua. El trabajo fundacional de Sang de 2018 usó precisamente el agua como modelo y lo han refinado varias veces desde entonces, bueno, hasta llegar al potencial para el agua llamado DP-SCAN de 2023 que reproduce de forma muy muy fiel todas las propiedades del agua…
Juan Carlos Gil describe el proceso de refinamiento de estructuras de hielo generadas por un algoritmo evolutivo, donde las estructuras iniciales se someten a una dinámica molecular para optimizar sus enlaces y configuraciones.
Habla: Juan Carlos GilSignificado #4 · Palabras #3dinámica molecular y enlaces hidrógenoannealing para configuraciones establesoptimización geométrica mínima energía…En la primera iteración esto se calcula con un DFT completo, pero en iteraciones sucesivas ya se va utilizando el potencial neuronal profundo, lo cuento luego, pues que es muchísimo, muchísimo más rápido. El segundo paso a la derecha de este en la figura. Se llama evolución de estructuras. Estas estructuras crudas que ha generado la etapa anterior pasan por una dinámica molecular con este potencial profundo, de tal forma que las estructuras se relajan, los enlaces de hidrógeno se reorganizan, se escapan de posiciones forzadas que han podido llegar, incluso se someten a un recocido, a annealing, para favorecer que encuentren configuraciones lo más estables posibles. Y al final de esta etapa se hace una pequeña optimización geométrica para garantizar que cada estructura llega a eso, a un mínimo de energía al menos local. La tercera etapa, más allá de la derecha, se llama. Filtración o filtrado de estructuras, que es donde empieza la poda. Aquí nos llegan un montón de estructuras, nos queremos quedar con las prometedoras. Lo que se hace es que se coloca cada una de estas estructuras que llegan en un mapa de energía-densidad,…
Juan Carlos Gil explica cómo se mejora el potencial profundo en el proceso iterativo para generar estructuras de hielo, utilizando estructuras complejas que exceden un umbral de error energético.
Habla: Juan Carlos GilPalabras #5potencial profundo describe estructuras inusualesred neuronal convergida y procesotécnica para elegir estructurasdft calcula potencial de estructuraerror potencial profundo dft-fetenestructuras complejas umbral energéticoentrenamiento potencial profundo red profundaaprendizaje activo estructuras mejorescálculo energía libre estructuras supervivientesdft refinamiento geometrías exactasdinámica molecular potencial porcentajesimulaciones energía libre estructuras…esta pregunta es no y el ciclo sigue. Pero si en algún momento el método encuentra que ya ha convergido, pues se saldría por la esquina inferior derecha del diagrama que os cuento luego. Si no, sigue en el sentido horario hacia el siguiente punto de decisión. ¿Ha convergido la red neuronal? Donde aquí lo que hacen es comprobar si el potencial profundo que tenemos en estos momentos están describiendo bien las estructuras rarunas que van saliendo con el proceso. Se eligen unas cuantas de ellas, hay una técnica para elegirlas y se calcula su DFT, su estructura y su potencial, bien con un DFT bien hecho. Si el error del potencial profundo respecto del DFT-FETEN supera los 3 milielectronvoltios por molécula, entonces se cogen esas estructuras complicadas y se alimentan a la última fase del ciclo, el entrenamiento del potencial profundo que os mencionaba antes. Se calcula un DFT superbueno y se alimenta con estas estructuras a la red profunda para mejorar el potencial profundo, valga la redundancia de tanto profundo; era lo que antes llamábamos aprendizaje activo. Tenemos entonces estructuras mejores, potencial refinado y seguimos con el ciclo hasta que, después de dar las vueltas que sean necesarias, Convergen los dos puntos de decisión que hay en el diagrama y cuando es así nos salimos en el bloque final, abajo a la derecha de la figura, que pone cálculo de la energía libre con las estructuras supervivientes a todas estas perrerías, pues se relajan por última vez con un DFT ahora muy, muy, muy fino para obtener las geometrías exactas, perfectas y se calcula su energía libre mediante nuevas simulaciones por dinámica molecular con potencial porcentaje. No sé si habéis, bueno, montón de palabras; a mí es una belleza que me sublime ya lo que hacen aquí, cosa que yo desconocía; yo me salí de esto hace ya algunas décadas y he flipado. Resultados exploran 131.481 estructuras, más de 130.000. La figura 3 es el mapa de energía-densidad, energía-densidad que os comentaba antes y han puesto todos los puntitos de todas las estructuras; cada puntito azul clarito es una estructura. La línea Cian…
Juan Carlos Gil destaca un resultado clave del trabajo realizado: la publicación abierta del potencial profundo refinado utilizado en el estudio, que incluye dos millones de parámetros de una red neuronal y el código asociado.
Habla: Juan Carlos GilPalabras #17potencial profundo refinado publicación abiertared neuronal parámetros y sesgoscódigo asociado ciencia abierta…es el hielo 11, y en la cola estarían los hielos de más alta densidad, con las parejas 6 y 15 y 7 y 8. Con lo cual hay un gradiente a lo largo de este cocodrilo tiburón, pues de un gradiente desde hielos abiertos, si queremos, hasta los hielos más compactos. Otro resultado fundamental de este trabajo es, obviamente, el propio potencial profundo refinado que se ha incurrado apto para este régimen de presiones, que está publicado de forma abierta, claro, y son dos millones de parámetros de la red neuronal entre pesos y sesgos, pues ahí hay dos millones de numeritos, también publican el código, con lo cual, pues fenomenal, ciencia abierta para seguir acercándonos a la realidad natural. Con ese potencial y utilizando integración termodinámica calculan el diagrama de fases del agua. Aquí hay una sutil cosa pero no me quiero meter porque ya me estáis empezando a mirar raro. La diferencia en el DFT da las estructuras a temperatura cero. Si…
Juan Carlos Gil explica que los investigadores calculan resultados con un potencial profundo, afirmando que su precisión es comparable a la de un cálculo DFT para cada punto del diagrama de fases.
Habla: Juan Carlos GilPalabras #14cálculo dft para diagrama de fasespotencial profundo y precisión experimentalfigura 6 comparativa experimental…cosa pero no me quiero meter porque ya me estáis empezando a mirar raro. La diferencia en el DFT da las estructuras a temperatura cero. Si quieres hacer un diagrama de fases a temperaturas pues tienes que integrar, tienes que ir enchufando la temperatura. Bueno, el caso es que calculan con su potencial profundo, con una precisión, dicen, equivalente, siempre con comillas, pero oye, es que si no sería imposible, pues a la quedaría una DFT de cada punto de ese diagrama de fases. Y lo comparan con el experimental, que está en la figura 6. Las líneas grises son el experimento y las rojas este trabajo. Y es en este diagrama de fases donde aparece el otro resultado fundamental de este trabajo: una región de estabilidad, encuentran en la línea. En la figura está coloreado de cian, una región de estabilidad que los autores llaman hielo L, que jolín, qué…
Juan Carlos Gil explica por qué considera importante el artículo que están discutiendo, destacando un método metodológico innovador para explorar estructuras de materia condensada.
Habla: Juan Carlos GilSignificado #5 · Palabras #4algoritmo evolutivo materia condensadadinámica molecular potencial profundoenvolvente convexa energía de densidadfunción de huella dactilar aprendizaje automático…pero argumentan que precisamente en la zona alrededor de su hielo L, bueno pues los tres funcionales dan cosas bastante parecidas, así que su diagnóstico es que el hielo L es un candidato prometedor a un nuevo polimorfo estable del hielo. Voy concluyendo. ¿Por qué creo yo que es importante lo que cuenta este artículo? Primero, por el fantástico resultado metodológico: han puesto a punto un método de exploración de estructuras de materia condensada que combina un algoritmo evolutivo para generar estructuras, una dinámica molecular con potencial profundo para relajarlas, unos criterios de filtrado por envolvente convexa energía de densidad y una función de huella dactilar, un proceso de aprendizaje automático para reentrenar la red neuronal profunda, todo ello salpimentado con cálculos de la teoría del funcional de la densidad. En fin, no sé si alguien da más, pero es apabullante. Segundo resultado, al aplicar este método al agua, a bajas y medias presiones, han redescubierto todo lo que había por redescubrir. Los hielos reales, los sospechosos, propuestos anteriormente, lo que demuestra que el potencial profundo, hombre, describe la…