Si en el próximo año tenemos previsto dedicar mucho tiempo a la IoT y a seguir revisando «cacharritos» de todo tipo en PcDeMaNo, mucho que nos tememos que tendremos que ir apartándonos un poco de los proyectos de Inteligencia Artificial que también nos apasionan ¿y a quién no?.

Por ejemplo, aunque desde el principio nos pareció un tanto ambicioso, la verdad es que habría sido bonito lanzar un proyecto sobre Química Cuántica utilizando Computación Cuántica. Incluso gustaba a expertos en la materia y con los cuales hicimos cosas muy interesantes en la Petrolera. Otra vez será.

Como sin duda conoceréis, el objetivo de la química cuántica es predecir las propiedades químicas y físicas de las moléculas basándose únicamente en la disposición de sus átomos en el espacio, lo que evita tener que hacer costosos y largos experimentos de laboratorio que consumen una gran cantidad de recursos.

En teoría, eso solo sería posible resolviendo la ecuación de Schrödinger, algo que en la práctica resulta extremadamente difícil («imposible» para átomos por encima del hidrógeno o el helio) y de ahí nuestra «propuesta» de aplicación de la potencia de la Computación Cuántica aunque todavía queda mucho tiempo para disponer de ordenadores cuánticos suficientemente potentes con miles de qubits.

Hasta ahora, en efecto, había sido imposible encontrar una solución exacta de la ecuación para aplicarla al estudio y desarrollo de moléculas, ya que los cálculos necesarios son tan complicados que a menudo no resulta práctico abordarlos.

Pero los investigadores de la Freie Universität han abordado el problema desde un punto de vista totalmente distinto, desarrollando un método de deep learning «aprendizaje profundo» que ha demostrado ser capaz de conseguir una combinación sin precedentes de precisión y eficiencia computacional.

La red neuronal profunda diseñada es, de hecho, una forma de representar las funciones de onda de los electrones.

«En lugar del enfoque estándar de componer la función de onda a partir de componentes matemáticos relativamente simples, explica el investigador, diseñamos una red neuronal artificial capaz de aprender los patrones complejos de cómo se ubican los electrones alrededor de los núcleos.

Una característica peculiar de las funciones de ondas electrónicas, añade Hermann, es su antisimetría.

Cuando se intercambian dos electrones, la función de onda debe cambiar de signo.

Tuvimos que construir esta propiedad en la arquitectura de la red neuronal para que el enfoque funcionara».

Por supuesto, aún quedan muchos desafíos por superar antes de que el método de Hermann y Noé esté listo para su aplicación industrial.

«Esta sigue siendo una investigación fundamental, escriben los autores, pero se trata de un nuevo enfoque para un antiguo problema en las ciencias moleculares y de materiales, y estamos entusiasmados con las posibilidades que abre».