IA y química: un nuevo modelo predice directamente la matriz hessiana de las moléculas, sin derivadas costosas, de 10 a 70 veces más rápido

Un equipo de la Universidad de Toronto publicó en Nature Computational Science un nuevo método, HIP, que predice directamente la matriz hessiana completa de una molécula y se salta el costoso paso de derivación. Predicción directa: en una sola pasada hacia delante se obtiene la matriz hessiana completa (3N×3N, derivadas segundas), sin diferenciación automática, diferencias finitas ni resolución de perturbaciones acopladas. Más rápido y más económico: en moléculas pequeñas es de 10 a 70 veces más rápido que los métodos de aprendizaje automático basados en derivación, usa entre 2 y 3 veces menos memoria máxima y reduce el error de predicción aproximadamente a la mitad. La física integrada en la arquitectura: basado en la red neuronal de grafos equivariante EquiformerV2, la simetría de rotación y la simetría de la matriz quedan garantizadas por construcción, en lugar de depender de que se aprendan a duras penas a partir de los datos de entrenamiento. La hessiana es clave para calcular las vibraciones moleculares y las rutas de reacción; cuanto más rápido se calcule, más rápido podrá avanzar el cribado de fármacos y materiales. > Enlace original: [ver el original](https://bioengineer.org/ai-model-predicts-molecular-curvature-directly-skipping-costly-derivatives/). El texto es un resumen y se ofrece solo como referencia.