PACHUCA DE SOTO, 08 ABR/News Hidalgo/.- Huziel E. Sauceda, investigador postdoctoral en la Universidad Técnica de Berlín, Alemania, impartió la conferencia virtual “Boosting molecular dynamics simulations using machine learning” a las y los estudiantes de la Ingeniería en Nanotecnología de la Escuela Superior de Apan (ESAp), perteneciente a la Universidad Autónoma del Estado de Hidalgo (UAEH).
Minerva Rosales Gayosso, directora del plantel, destacó en su mensaje inaugural que el ciclo de conferencias internacionales busca atender las necesidades de sus alumnos ante los nuevos retos profesionales que les depara el futuro. A su vez, dijo que busca impulsar la vinculación internacional de la UAEH con otras instituciones de educación superior al tiempo que se cumplen los objetivos del Plan Institucional de Desarrollo (PDI) 2017-2023.
El Machine Learning (ML) es una rama de la inteligencia artificial, la cual permite que las máquinas sean capaces de identificar patrones para después realizar predicciones de acuerdo con los datos que se proporcionan; es una herramienta flexible que se adapta y aprende. Dicha herramienta es utilizada para detectar fraudes con tarjetas de crédito en eCommerce, las recomendaciones en plataformas de streaming, entre otras.
Dentro de los campos de la física y la química el ML es utilizado para campos de fuerza, en sistemas dinámicos, análisis de imágenes de microscopía electrónica o dar soluciones a problemas como la ecuación de Schrödinger de la química cuántica, con la creación del método PauliNet, el cual permite aprender los patrones complejos de cómo se ubican los electrones alrededor del núcleo.
En el caso del equipo de la Universidad Técnica de Berlín, donde labora el doctor Huziel E. Sauceda, desarrollaron la metodología de symmetric gradient domain machine learning (sGDML). “Antes solo podíamos estudiar algunas moléculas, pero ahora podemos aplicar todas estas metodologías a materiales, en particular a materiales complejos para el machine learning”, resaltó el investigador mexicano.
Al mismo tiempo, el equipo desarrolló una arquitectura de Deep Learning denominada SchNet, que está específicamente diseñada para modelar sistemas atomísticos mediante capas convolucionales. Ambas metodologías reproducen fielmente los campos de fuerza globales en el campo cuántico-químico, el cual brinda precisión, lo que permite simulaciones convergentes de dinámica molecular con electrones y núcleos totalmente cuantificados.
