Optimizando la transferencia entre dominios para potenciales interatómicos universales mediante aprendizaje automático

Simulaciones más inteligentes para materiales reales

El diseño de nuevas baterías, catalizadores y materiales electrónicos depende cada vez más de simulaciones por ordenador que siguen átomos en movimiento. Las simulaciones más fiables, basadas en la mecánica cuántica, son extremadamente precisas pero demasiado lentas para explorar millones de candidatos. Modelos más rápidos basados en aprendizaje automático pueden imitar cálculos cuánticos, sin embargo a menudo funcionan solo en situaciones muy concretas —por ejemplo, únicamente cristales o únicamente moléculas. Este artículo propone una forma de construir un modelo universal, llamado SevenNet‑Omni, que mantiene precisión en muchos tipos de materiales, desde superficies metálicas y líquidos moleculares hasta estructuras porosas, y que a la vez es lo suficientemente rápido para descubrimientos a gran escala.

Por qué los modelos atómicos actuales no se trasladan bien

Los potenciales interatómicos por aprendizaje automático suelen entrenarse con una sola base de datos cuidadosamente curada: una para cristales inorgánicos, otra para moléculas tipo fármaco, otra para superficies catalíticas. Cada base de datos se genera con sus propias configuraciones de química cuántica, de modo que los paisajes energéticos subyacentes difieren de forma sutil y no lineal. Simplemente coser estos datos —por ejemplo, desplazando o escalando energías— añade ruido y conduce a modelos que se ajustan bien a su dominio de origen pero fracasan cuando se les pide describir químicas desconocidas o métodos cuánticos ligeramente distintos. A medida que los problemas de materiales mezclan dominios —por ejemplo, moléculas reaccionando sobre superficies sólidas en solución— esta falta de transferibilidad se ha convertido en un cuello de botella serio.

Una columna vertebral compartida con especialización suave

Los autores abordan esto tratando cada base de datos como una «tarea» dentro de una única red neuronal multitarea. En el interior del modelo, un conjunto de parámetros forma una columna vertebral compartida, que captura las reglas generales del enlace atómico, mientras parámetros más pequeños específicos de cada tarea ajustan el comportamiento para conjuntos de datos particulares. Un análisis matemático muestra que, si las partes específicas de la tarea crecen demasiado, el modelo memoriza efectivamente cada base de datos y olvida cómo generalizar. Para evitarlo, los autores aplican una regularización selectiva: penalizan directamente los parámetros específicos de tarea de gran magnitud pero dejan la columna vertebral compartida libre para crecer según sea necesario. Esto empuja a la red a explicar tanto como sea posible mediante física común, usando solo correcciones modestas para cada dominio.

Unir mundos distantes con unos pocos ejemplos clave

Incluso con regularización, algunas regiones del espacio químico aparecen solo en una base de datos, por lo que la columna vertebral compartida no recibe orientación allí. Para solucionarlo, el equipo introduce un «conjunto puente entre dominios». Seleccionan cuidadosamente una fracción diminuta —alrededor de una entre mil— de configuraciones procedentes de varias bases de datos y las recomputan usando un mismo esquema cuántico‑mecánico. Estas estructuras puente actúan como frases bilingües en un libro de idiomas: conectan directamente cómo dos métodos cuánticos diferentes describen la misma escena atómica. Cuando se incluyen en el entrenamiento, refuerzan fuertemente el vínculo entre tareas, alineando los paisajes energéticos sin necesidad de recalcularlo todo por la fuerza bruta. Pruebas sistemáticas muestran que la regularización y el conjunto puente se refuerzan mutuamente, mejorando el rendimiento más allá de lo que cualquiera de las dos estrategias logra por sí sola.

Construir y probar un motor atómico universal

Basándose en estas ideas, los autores entrenan SevenNet‑Omni con 15 conjuntos de datos públicos que abarcan aproximadamente 242 millones de estructuras atómicas, cubriendo moléculas, cristales, catalizadores, marcos metal‑orgánicos y múltiples niveles de teoría cuántica. Luego evalúan el modelo en situaciones familiares y desafiantes: estabilidad de cristales, límites de grano en metales, defectos en aceros, barreras de torsión en moléculas tipo fármaco, perovskitas híbridas orgánico‑inorgánicas, adsorción en estructuras porosas relevantes para la captura de carbono y reacciones en superficies metálicas importantes para la conversión de hidrógeno y dióxido de carbono. En estas pruebas, SevenNet‑Omni suele igualar o superar a modelos especializados entrenados para un solo dominio, y mantiene la «precisión química» para muchas energías de reacción y adsorción. También reproduce con precisión resultados de un método cuántico costoso (r²SCAN) aprendiendo cómo ese método se relaciona con datos más baratos y abundantes.

Qué significa esto para el descubrimiento de nuevos materiales

Para no expertos, el mensaje clave es que SevenNet‑Omni se comporta como un científico experimentado que ha trabajado en muchos subcampos. En lugar de sobreajustarse a un problema estrecho, aprende principios químicos amplios y los aplica con flexibilidad a nuevas situaciones, desde la captura de gases en sólidos porosos hasta reacciones en electrodos metálicos. El artículo demuestra que esto es posible compartiendo cuidadosamente información entre conjuntos de datos mientras se restringen ligeramente sus diferencias, y añadiendo un pequeño número de ejemplos de «traducción» cuidadosamente escogidos entre métodos cuánticos. A medida que aparezcan bases de datos más grandes y diversas, esta estrategia de entrenamiento ofrece una vía escalable hacia modelos atómicos verdaderamente universales y fiables que pueden acelerar el descubrimiento en química, física y ciencia de materiales.

Cita: Kim, J., You, J., Park, Y. et al. Optimizing cross-domain transfer for universal machine learning interatomic potentials. Nat Commun 17, 3432 (2026). https://doi.org/10.1038/s41467-026-70195-8

Palabras clave: potenciales interatómicos por aprendizaje automático, modelización de materiales multidominio, transferencia de aprendizaje, potencial atomístico universal, descubrimiento de materiales