Resumen
Una de las principales barreras para realizar simulaciones de primeros principios en sistemas moleculares y materiales es el alto costo computacional de incorporar cálculos de estructura electrónica de alta precisión además de efectos de temperatura finita simultáneamente. En esta platica presentaremos una solución a dicho dilema usando métodos de Machine Learning: Campos de fuerzas moleculares basados en machine learning (MLFFs). Los MLFFs deben ser precisos, computacional eficientes y usar una cantidad mínima de datos para su entrenamiento. Actualmente, los MLFFs a menudo introducen aproximaciones que restringen su aplicabilidad práctica a pequeños subconjuntos de espacio químico o requieren conjuntos de datos exhaustivos para el entrenamiento. Aquí, presentaremos la evolución de los MLFFs y cómo los modelos sesgados química- y físicamente formaron el parteaguas que permitió diseñar modelos de alta precisión. En particular nos enfocaremos en dos familias de modelos, kernels (Gradient Domain Machine Learning, GDML) y redes neuronales con intercambio de mensajes (de SchNet a SpookyNet), y cómo es que dichos modelos permiten predecir una gran variedad de propiedades moleculares ademas de observables macroscópicas. En combinación, todas estas herramientas componen un marco de referencia capaz de realizar simulaciones que recuperan resultados experimentales.
Imparte
Dr. Huziel Enoc Sauceda Felix-Instituto de Física, UNAM
Zoom: https://shorturl.at/Cv0GO