Naturak mineralak nola eraikitzen dituen argitzen laguntzen du AAk
Pablo Piaggi CIC nanoGUNEko ikerlariak gidatutako ikerlan honek informazio berria ematen du, punta-puntako adimen artifizialari esker, naturan mineralak sortzen diren eraz. Proceedings of the National Academy of Sciences (PNAS) aldizkariaren Machine Learning in Chemistry argitalpen berezian plazaratutako ikerlan honek erakusten du ikasketa automatikoko ereduek –datuetatik ikas dezaketen AA-sistemek– nola simula ditzaketen hainbat erreakzio kimiko konplexu, oinarrizkoak direnak biomineralizazioa (organismoek oskoletako edo eskeletoetako mineralak sortzeko prozesua) eta karbono-sekuentziazioa ulertzeko, zeina funtsezko mekanismoa baita klima-aldaketa arintzeko.

Ikerlanak itsas maskorretan, koraletan eta formazio geologikoetan dagoen mineral bati erreparatzen dio: kaltzio karbonatoari, zeina, gainera, biziki garrantzitsua baita CO2 atmosferikoa atzemateko. Simulazio molekularra kaltzio karbonatoaren sorrera aztertzeko aspalditik erabiltzen bada ere, aurreko ereduek ez zuten erreakzio sotil baina kritiko batzuei antzemateko behar beste zehaztasun; esate baterako, protoi-transferentziari (funtsezko urrats bat kristalizazioan).
Hori konpontzeko, Piaggi eta haren kideak adimen artifizialaren azken aurrerakuntzez baliatu ziren lehen printzipioetako mekanika kuantikoan oinarritutako ikasketa automatikoko eredu bat garatzeko. AA horrela erabiltzeak, zehaztasuna handitzeaz gain, gaur egunera arte ezkutuan zeuden hainbat xehetasun agerian utzi ditu: adibidez, protoi baten galera ioien asoziazioen bidez gertatzen dela.
Ondorio esanguratsuak dakartza horrek. Metodo hau urrats garrantzitsu bat da biomineraletako erreakzio kimikoen eta kristalizazioan duten rolaren ab initio ikerketan, ikertzaileei lagungarria izango baitzaie horrelako prozesuak ingurune naturaletan nola gertatzen diren ulertzeko; adibidez, itsasoko uretan, non baldintzak konplexuagoak baina biologiarako eta zientzia klimatikorako oso garrantzitsuak baitira.
Machine Learning in Chemistry argitalpen berezia
PNASen Machine Learning in Chemistry argitalpen berezian nabarmendutako joera zabalago baten parte da ikerlan hau. Hain zuzen, zenbaki horrek agerian uzten du ikasketa automatikoaren, datuen zientziaren eta adimen artifizialaren alorreko aurrerakuntzak oso bizkor ari direla kimikaren ia eremu guztiak eraldatzen. Artikuluak erakusten digu metodo berri horiei esker aurkikuntza berriak egiten ari direla diseinu molekularraren alorrean, erreakzioen predikzioarenean, materialen diseinuan eta beste eremu batzuetan, eta, gainera, azkar hazten ari den eremu honetako hurrengo ikerketetarako jarraibide garrantzitsuak definitzen ditu.
Artikuluaren erreferentzia:
Ab initio machine-learning simulation of calcium carbonate from aqueous solutions to the solid state
Pablo M. Piaggi, Julian D. Gale, and Paolo Raiteri
PNAS, 122, 41 (2025)
https://www.pnas.org/doi/10.1073/pnas.2415663122