Búsqueda · 31 momentos en 19 episodios
Silvana TapiaJuan Carlos GilFrancis VillatoroHéctor SocasBorja Tosarpotencial 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 mejoresDFTDFT-FETENJuan Carlos GilOPSPEXfigura 1TPMDFETENGastón Giribethielo Lfigura 7figura 6Francis Villatorohielo 7HOH
Potencial profundo describe estructuras inusuales
Con
0:000:301:001:302:002:303:003:35
Juan Carlos Gil explica cómo se determina si la red neuronal ha convergido, verificando si el potencial profundo describe adecuadamente las estructuras inusuales generadas por el proceso.
…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…
Significado #1 · Palabras #1
Juan Carlos Gil continúa describiendo las diversas fases del hielo, mencionando el hielo 7 recién descubierto y anticipando una estructura inusual en el hielo L.
Habla: Juan Carlos GilPalabras #17hielo 7 descubierto en febreromoléculas rotan libremente hielo 7estructura demencial del hielo lcristal sin estructura similar al hielo l…de la Coca-Cola, tiene anillos hexagonales. Hay hielos superiónicos, las fases 17 y 20, en la que los oxígenos forman efectivamente una red cristalina. Pero los protones, volvemos a lo de antes, los cationes y hidrógeno fluyen libremente a través de esta red. de oxígeno, es como si fuese un metal, pero en vez de electrones son los protones los que fluyen Hay fases plásticas, el hielo 7, que se ha descubierto en febrero de este año, o sea, este mundo es una juarga, vamos El hielo 7, recién descubierto, es tal que las moléculas están en orden cristalino, pero rotan libremente alrededor de las posiciones cristalinas, como si fuese un líquido, pero sin traslación Y para acabar con esta juerga de los hielos, el hielo L, que descubren en el artículo que os voy a contar, hago un poquito también de spoiler, tiene una estructura absolutamente demencial que nunca se ha visto, pero no solo en los hielos, en ningún otro cristal hay nada parecido a esta estructura ¿Y quién es el responsable de esta orgía de estructuras? Pues la aparentemente mojigata molécula de agua, HOH, que no Es lineal, ¿vale? Los dos hidrógenos respecto del oxígeno forman un angulito de unos 104 grados y medio. Y como además los elementos oxígeno-hidrógeno tienen bastante distinta electronegatividad, pues este angulito da lugar a un momento dipolar muy fuerte y a…
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 #7tpmd 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 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 GilPalabras #3algoritmo evolutivo opspexestructuras de hielo posiblesfitness según energía calculadapotencial neuronal profundo más rápidodinámica molecular y enlaces hidrógenoannealing para configuraciones establesoptimización geométrica mínima energía…cristalinas que está descrito en la figura 1 del artículo y que es su principal aportación metodológica, y que os tengo que contar rápidamente: primero para que os fascinéis al menos una fracción de lo que lo he hecho yo y para que podáis entender. Lo que luego os cuento: Es un ciclo que en la figura va en el sentido de las agujas del reloj. Empieza arriba a la izquierda, en una caja que pone generación de estructuras, donde se usa un algoritmo evolutivo llamado OPSPEX para generar muchísimas estructuras de hielo posibles. Al principio del todo, completamente al azar, y luego, a lo largo de cuando se realimenta el ciclo, pues van combinando y mutando las mejores estructuras que se van encontrando, evaluando su aptitud, su fitness, que en este caso es cuán estables parecen según su energía calculada. 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 determina si la red neuronal ha convergido, verificando si el potencial profundo describe adecuadamente las estructuras inusuales generadas por el proceso.
Habla: Juan Carlos GilSignificado #1 · Palabras #1potencial 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 mejores…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…
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 #15potencial 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 #10cálculo 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 reflexiona sobre una estructura compleja del agua encontrada en una celda unidad, comparándola con ideas que podrían gustarle a Gastón Giribet. A continuación, plantea la cuestión de si el hielo L descrito es real o no.
Habla: Juan Carlos GilSignificado #9estructura rara del agua celda unidadhielo l y discrepancias diagramas fasesdiagrama de fases calculan experimental…red autointerpenetrante, con dos tipos distintos de moléculas de agua: unas de ellas interconectadas en forma de cadenas helicoidales, mientras que otras moléculas unen estas hélices. Son las moléculas de color rojo y azul respectivamente en la figura 7. Además, si estuviese Gastón le gustaría; en la celda unidad hay hélices que giran en un sentido y otras que giran en el otro. A mí me dan tiempo infinito para inventarme una estructura rara del agua y no se me ocurre esta barbaridad. Bueno, la gran pregunta: ¿este hielo L es real o no? Hay que fijarse; a eso hacen los autores, en las discrepancias entre el diagrama de fases que calculan y es la experimental, que son visibles en la figura. Dicen los autores que la fuente principal de error de Su método es la selección del funcional para el término que se llama de intercambio o correlación de la teoría del funcional de la densidad. Bueno, un montón de palabras, pero es la clave del DFT; de hecho, a menudo nos llamamos a las distintas DFTs por qué…
Juan Carlos Gil comenta los resultados obtenidos al aplicar un método específico al estudio del agua a bajas y medias presiones.
Habla: Juan Carlos GilSignificado #11 · Palabras #4algoritmo evolutivo materia condensadadinámica molecular potencial profundoenvolvente convexa energía de densidadfunción de huella dactilar aprendizaje automáticoagua a bajas y medias presioneshielos reales y potenciales profundosprecisión cuántica en el cálculo estructural…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 naturaleza de forma razonable. Ellos dicen siempre precisión cuántica. Bueno, el término podría ser discutible, pero realmente es una forma de calcular estas estructuras y sus energías muy próxima. A un DFT completo. Obviamente nadie ha podido hacer esto en toda la profundidad de presiones y temperaturas porque no había forma de hacerlo rápido. Por lo tanto, este método, en palabras de los autores y en mi opinión, abre una nueva etapa en el estudio del…
Francis Villatoro describe el proceso mediante el cual los autores del estudio transforman datos complejos sobre la conectividad estructural entre nervios en diferentes edades e individuos en una curva tridimensional abstracta.
Habla: Francis VillatoroSignificado #14conectividad estructural nervios edadescurva tridimensional conectividad estructuralalgoritmo comportamiento raro doctores…points, puntos en los que cambia, digamos, la curva, pero cambia esa curva obtenida por la técnica UMAP y ahí identifican esas edades de 9, 32, 66 y 83 años como edades en las que esta curva UMAP cambia. Fijaros lo que hemos hecho, nos hemos ido, de tener Una serie de árboles de conectividad estructural entre nervios en diferentes partes del encéfalo para diferentes edades en diferentes individuos, que es una cosa extremadamente complicada de entender, a construir un objeto abstracto, que es una curva en tres dimensiones, que tiene un comportamiento muy raro, que proviene de un algoritmo que realmente ni los doctores parecen entender, ni parece fácilmente entendible. Que me construye una cierta curva y en la que yo veo una serie de cambios en los que sube, baja, sube, baja y digo: si este mínimo pues es un turning point, este es una edad, este máximo es otra edad y lo voy colocando. Claro, ahora tú dices: si yo ahora miro…