Aplicaciones del aprendizaje de máquina en la fisicoquímica

Abstract

El aprendizaje de máquina (machine learning, ML) se ha establecido como un campo académico y tecnológico sumamente fértil, y se ha intersectado con múltiples áreas. Una de nuestro particular interés es la fisicoquímica teórica, la cual modela el comportamiento y propiedades de átomos y moléculas a partir del entendimiento humano contemporáneo acerca de la estructura de la materia. En esta Idónea Comunicación de Resultados (ICR) se ha explorado esta intersección de áreas. A fin de lograr este objetivo, hemos escrito nuestro propio programa que permite la exploración sistemática del aprendizaje de máquina químico, y lo hemos empleado para realizar experimentos de clasificación mediante redes neuronales para la predicción de propiedades termodinámicas de moléculas orgánicas. También se exploran las bases de datos populares en el área, los optimizadores de gradiente que guían el entrenamiento de los modelos, las funciones de activación que transfieren información a través de un modelo, las representaciones que transforman las moléculas en vectores numéricos, así volviéndolas comprensibles para los modelos ML, los métodos de inicialización que permiten al modelo tener un buen aprendizaje, entre otros aspectos. Se dará una explicación minuciosa acerca de los numerosos componentes de un experimento ML.