«Usamos la IA para entender cómo se forman los materiales naturales»

Los sistemas de Inteligencia Artificial que aprenden de datos pueden simular complejas reacciones químicas esenciales para comprender la biomineralización, proceso mediante el que los organismos for- man minerales como conchas y esqueletos, así como la secuenciación de carbono, un mecanismo clave para mitigar el cambio climático.

Pablo Piaggi, investigador de CIC nanoGUNE, ha publicado en la prestigiosa revista “PNAS” un nuevo método que abre una vía para entender la mineralización bajo condiciones naturales realistas. Acoge a GARA en el centro de investigación de Donostia, y explica con mucha pasión cómo estudia lo que pasa en la naturaleza con la IA avanzada. «Para intentar entender los distintos fenómenos en la naturaleza -en particular cómo se forman los materiales- utilizamos una técnica que se llama simulación atomística. Simulamos y resolvemos ecuaciones en la computadora para entender cómo se transforman los materiales», empieza.

MITIGAR EL CAMBIO CLIMÁTICO

En este estudio en concreto atacaron un problema que es el de la formación del carbonato de calcio, un mineral presente en conchas marinas, corales y formaciones geológicas que juega un papel crítico en la captura de CO2 atmosférico. «Una de las razones por las que me interesé en ese material es porque se considera que la formación de rocas de carbonatos es una de las estrategias para mitigar el cambio climático. Se extrae óxido de carbono y se fija en las rocas».

Ahí es cuando aparece la IA como una estrategia posible para entender mejor cómo es la formación de ese tipo de materiales. En el pasado se había estudiado y simulado muchísimo sobre la formación de estos carbonatos, pero los modelos anteriores carecían de la precisión suficiente para captar reacciones sutiles pero críticas como la transferencia de protones, un paso fundamental de la cristalización.

«La formación del carbonato tiene una característica especial que es que mientras se forma hay reacciones químicas. Eso no se podía estudiar con las técnicas de simulación tradicional, y las técnicas de IA permiten hacer justamente eso», indica Piaggi.

«Generamos modelos de machine learning de IA que son capaces de predecir las fuerzas entre átomos. Para hacer eso entrenamos estos modelos en bases de datos muy grandes que tienen fuerzas derivadas de estructura electrónica, es decir, de la resolución de ecuaciones de la mecánica cuántica en la computadora. De eso obtenemos las fuerzas y luego entrenamos un modelo para que sea capaz de predecir esas fuerzas. Una vez que tenemos eso lo usamos para guiar la dinámica. Una vez que son capaces de hacer la dinámica aprenden sobre el proceso microscópico».

Aprender algo nuevo

Esos modelos que está describiendo permiten por primera vez estudiar ese fenómeno junto con la reactividad, que es algo que no se podía hacer. «Hay un montón de simulaciones previas, pero hechas con modelos que no son capaces de describir la reactividad. O sea, no describen la naturaleza de forma suficientemente precisa como para poder estudiar el fenómeno».

Por eso, el estudio es importante y se publicó en una revista de mucho prestigio, “PNAS”, en su número especial “Machine Learning in Chemistry”. Es la primera vez que se aplican estas técnicas tan sofisticadas al estudio de este problema en particular. En opinión del científico de CIC nanoGUNE, es donde estas técnicas brillan, ya que permiten aprender algo nuevo.

Las implicaciones

«Las implicaciones de esta investigación son muy significativas porque la condición que estudiamos, la que no se podía estudiar antes, es la más importante para el sistema: es la condición del PH neutro, que existe en la biología y en los depósitos naturales. En otras palabras, hay un montón de estudios y simulaciones anteriores que no podían centrarse en las condiciones que realmente son relevantes. Por otra parte, a partir de simulaciones nuevas obtenemos información microscópica de cómo ocurre el proceso y podemos resolver algunas preguntas que estaban sin responder», indica Piaggi.

Por ejemplo, tenemos un montón de iones en el agua. Estos van interactuando y formando los cristales, pero ante ese fenómeno están las reacciones químicas. «Con el conocimiento microscópico nuevo logramos entender cómo están acopladas estas reacciones químicas a la asociación entre iones. Es la primera etapa de la formación de cristal, que no se conoce bien y que con los experimentos no es posible verlo, porque estamos hablando de un puñado de átomos en escalas de tiempo tan cortas que ni siquiera el experimento más avanzado puede ver. La simulación tiene un lugar ahí muy especial, en esto tan microscópico y tan rápido, para poder darnos información que ninguna técnica experimental nos puede dar», resalta.

Justamente, han logrado entender estas primeras etapas del fenómeno.

Curiosidad de entender

El interés de Pablo Piaggi es hacer ciencia básica, intentar entender. Si bien el gran motor es la curiosidad, no es una curiosidad sin rumbo, sino la curiosidad de entender los problemas que son importantes para el medio ambiente, para crear nuevos materiales o para la sociedad. «No se puede controlar lo que uno no entiende, entonces, también en los procesos industriales la comprensión microscópica o sólida del fenómeno es crucial para hacer tecnología».

Cuenta que es una gran satisfacción poder responder a preguntas importantes que estaban sin resolución porque no existían las técnicas.

«Ahí la IA nos abre muchas puertas, porque hay un montón de temas que estaban fuera de las posibilidades de cualquier técnica y de repente es posible estudiarlos. El que estoy describiendo es un caso particular, pero hay un sinfín de problemas que hace cinco años parecía ciencia ficción atacarlos y ahora lo hacemos de forma rutinaria gracias a estas técnicas», subraya.

El equipo

Piaggi ha trabajado en este proyecto en colaboración con dos investigadores australianos, Julian D. Gale y Paolo Raiteri, expertos en la simulación de minerales y de bicarbonato cálcico. «Entendimos que había un problema importante sin resolver y que juntos teníamos las técnicas para resolverlo. Año y medio más tarde teníamos los datos para publicar. Entrenar uno de estos modelos es costoso. Requiere poder de cómputo y tiempo. Fue un trabajo en equipo, combinando el conocimiento del material de los colaboradores y mi conocimiento de la técnica».

«Usamos mucho la supercomputadora de DIPC. También hacemos cálculos en Mare Nostrum, que es una de las supercomputadoras más grandes de Europa, en Barcelona. Son supercomputadoras específicamente diseñadas para hacer aplicaciones de IA».

Continuación

Al acabar un asunto, siempre queda algo sin resolver o aparecen preguntas nuevas. En particular, lo que le gustaría hacer a Piaggi, también en colaboración con esta gente en Australia, es entender no solo cómo es el proceso inicial de la asociación de estos átomos para formar el material, sino hacer todo el camino hasta tener un cristal de la sustancia en la computadora. Además, el proyecto se enmarca en un objetivo más grande: «Usar estas técnicas nuevas de IA para conocer mejor cómo se forman los materiales en general».

Ahí hay un montón de aplicaciones posibles. De hecho, una muy interesante que están haciendo ahora es entender mejor cómo se forma el hielo en la atmósfera. También intentan entender cómo se forman los materiales magnéticos, interesantes para hacer nuevas tecnologías vinculadas a computación, un tema que se trabaja mucho en nanoGUNE y en los centros vecinos.

«En general, intentamos entender al nivel más ‘chiquitito’ que se puede cómo son estos procesos de relevancia tecnológica en el mundo natural. Ese es el objetivo que tenemos, siempre explotando esta técnica del estado del arte para hacer cosas que antes no se podían. Atacamos problemas que estaban sin resolución porque no existían las técnicas para resolverlos».

Trayectoria

Como desvela su acento, Pablo Piaggi creció en Argentina. Vivió allí hasta los 23 años. Entonces se mudó a Suiza. Hizo el doctorado en la EPFL, una universidad grande en Lausana, donde vivió cuatro años y medio. Trabajó con investigadores muy buenos, de los que aprendió muchísimo.

Luego se mudó a Princeton, EEUU, y estuvo allí otros cuatro años y medio. «Trabajé también con gente muy prestigiosa en mi campo y aprendí técnicas nuevas muy útiles».

Siempre ha trabajado en simulaciones. Antes de empezar el doctorado ya sabía qué era lo que le gustaba. «La simulación tiene un control muy especial sobre el vínculo entre la física fundamental y las aplicaciones. Uno tiene que programar en la computadora las ecuaciones a resolver y eso da una conexión especial y permite desarrollar métodos nuevos para ir a lugares nuevos y hacer cosas nuevas».

Después de esos años en Princeton decidió venir aquí, atraído por Ikerbasque. «Ofrecía buenas condiciones y me parecía que culturalmente me podría encontrar a gusto, cosa que realmente fue así».

Lleva en CIC nanoGUNE poco más de año y medio, y se encuentra muy a gusto. «Es un buen lugar para hacer investigación. Intento avanzar esta visión de desarrollar nuevos métodos de simulación atomística de machine learning para aplicarlo a resolver problemas útiles. Intento no solo estar al tanto de lo que pasa fuera, sino empujar desde aquí un poquito más. Es desafiante, pero tengo buena gente, buenos estudiantes. Creo que están contentos de aprender estas técnicas nuevas y, simul- táneamente, me permiten hacer cosas arriesgadas».

Ahí está para Piaggi el premio, para avanzar en el campo de manera significativa, siempre con ambición, tratando de hacerlo de la mejor manera. «Otra cosa no tiene sentido».