Simular partículas es una tarea relativamente fácil cuando esas partículas son esféricas. En el mundo real, sin embargo, la mayoría de las partículas no son esferas perfectas, sino irregulares y adoptan diferentes formas y tamaños. Simular estas partículas se convierte en una tarea mucho más desafiante y que requiere más tiempo.
La capacidad de simular partículas es fundamental para comprender cómo se comportan. Por ejemplo, los microplásticos son una nueva forma de contaminación, ya que los desechos plásticos se han degradado grave e incontrolablemente en el medio ambiente por medios mecánicos o por degradación ultravioleta. Estas diminutas partículas se encuentran ahora en casi todo el mundo. Para poder remediar esta crisis ambiental, es importante comprender más sobre estas partículas y cómo se comportan.
En un esfuerzo por abordar este desafío, investigadores de la Universidad de Illinois en Urbana-Champaign entrenaron redes neuronales para predecir interacciones entre partículas de formas irregulares para acelerar las simulaciones de dinámica molecular. Con este método, las simulaciones se pueden completar 23 veces más rápido que los métodos de simulación tradicionales y se pueden aplicar a cualquier forma irregular con suficientes datos de entrenamiento.
“Los microplásticos están ahora en todas partes del medio ambiente y la mayoría de ellos no son esferas, son muy diferentes y tienen esquinas y bordes. Necesitamos desarrollar nuevos métodos para abordar el problema de cómo se comportan en el medio ambiente, encontrar formas de simularlos son rápidos, baratos y más eficientes”, afirmó la profesora de ciencia e ingeniería de materiales Antonia Statt.
Las esferas son fáciles de simular porque el único parámetro que determina cómo interactúan dos partículas es la distancia entre los centros de cada esfera. Para pasar de una esfera a una forma más compleja, como un cubo o un cilindro, es necesario saber no sólo a qué distancia están las dos partículas entre sí, sino también los ángulos y las posiciones relativas de cada partícula. Los métodos tradicionales de simulación de cubos, por ejemplo, implican la creación de cubos a partir de muchas esferas pequeñas.
“Es una forma muy circular de describir un cubo, teselándolo con pequeñas esferas”, explica Stat. “También es caro porque hay que calcular las interacciones de todas las pequeñas esferas entre sí. Para evitarlo, utilizamos el aprendizaje automático (una red neuronal de retroalimentación), que es una forma elegante de decir: ‘adaptemos un sistema complejo’. función que no conocemos.’ Y las redes neuronales son realmente buenas porque si les das suficientes datos, pueden adaptarse a lo que quieras”.
Con este método, no es necesario calcular todas las distancias entre esferas pequeñas individualmente. Sólo se requiere la distancia de centro a centro del cubo y su orientación relativa, lo que lo hace mucho más fácil y rápido. Además, este método es tan preciso como el método tradicional. Puede que no sea más preciso ya que está entrenado con datos producidos con métodos tradicionales, pero puede ser más eficiente.
En el futuro, a Stat le gustaría poder simular formas irregulares más complejas, así como mezclas de diferentes formas, como por ejemplo un cubo y un cilindro en lugar de dos cubos. “Tenemos que aprender todas las interacciones individuales, pero el enfoque es lo suficientemente general como para que podamos hacerlo”, afirma.
Este estudio, “Simulación de dinámica molecular de partículas anisotrópicas aceleradas por interacciones predichas de redes neuronales”, se publicó recientemente. La revista de física química y fue seleccionado para la Colección Especial de Investigadores Emergentes del JCP 2024. También aparece en la portada de esta edición de JCP.
El Laboratorio de Investigación de Materiales Antonia Stat está afiliado al Departamento de Ingeniería Química y Biomolecular y al Instituto Beckman de Ciencia y Tecnología Avanzadas de Illinois.
Otros contribuyentes a este trabajo incluyen a B. Rusen Argun (Departamento de Ingeniería Mecánica, Illinois) y Yu Fu (Departamento de Física, Illinois).
Esta investigación fue financiada por el Molecule Maker Lab Institute (MMLI): un programa de instituto de investigación de IA respaldado por la National Science Foundation.