On the dynamics of polymers and biomolecules through the use of machine learning algorithms

Abstract

El diseño y desarrollo de nuevos materiales con propiedades mecánicas, químicas o fisicoquímicas específicas a menudo involucra procesos que demandan una considerable inversión de tiempo y dinero, entre otros recursos. Por otra parte, la caracterización de estos materiales se enfrenta a su vez a dificultades relacionadas con el proceso de síntesis, la preparación de muestras o con las condiciones experimentales requeridas para realizar las mediciones. A la hora de superar estos desafíos, el aprendizaje automático y las redes neuronales son herramientas de gran potencial predictivo, especialmente en el estudio de la relación entre la estructura y las propiedades (QSPR, por sus siglas en inglés). En este trabajo se aplican métodos QSPR a la predicción y al estudio de propiedades características de moléculas y polímeros, con foco en la precisión y la interpretabilidad de los resultados.El aprendizaje automático se refiere a la habilidad de un algoritmo computacional para aprender a partir de un conjunto de datos. Según la conceptualización de Mitchell, un programa de ordenador aprende de la experiencia E en relación con una tarea T y medidas de rendimiento P si su ejecución en las tareas de T, medida por P, mejora con la experiencia E. Aquí T se define como la manera en que el programa debe procesar una entrada dada. La métrica de rendimiento P se establece específicamente para evaluar laprecisión del modelo en cumplir la tarea T, generalmente a través de la medición de un error. La experiencia E consiste en los datos proporcionados al algoritmo durante la fase de entrenamiento. En el marco de la presente Tesis, la experiencia está dada por una base de datos de estructuras químicas, la tarea es la predicción de la temperatura de transición vidria y la métrica de rendimiento es representada por el error porcentual sobre esa predicción. A la hora de entrenar, los datos se dividen principalmente en dos conjuntos: entrenamiento y prueba. El conjunto de entrenamiento es empleado en la fase de aprendizaje, y es quien permite que el algoritmo adquiera la información sobre las características de los datos y genere un modelo. Por otra parte, el conjunto de prueba consiste en ejemplos desconocidos para dicho modelo que se utilizan para evaluar la capacidad de generalización del mismo, es decir, su habilidad a la hora de procesar entradas inéditas. De esta manera, el aprendizaje automático implica una tarea de optimización en la que se busca que el rendimiento no solo sea óptimo en el conjunto de entrenamiento, sino también en el conjunto de prueba. El rendimiento del modelo también se ve influido por la cantidad de parámetros con los que se construye, si es supervisado o no supervisado, entre otros. Los algoritmos no supervisados procesan una base de datos cuyas características más relevantes son inferidas de la estructura del conjunto, mientras que los algoritmos supervisados trabajan con una base de datos acompañada de etiquetas para cada ejemplo. Ejemplos de algoritmos no supervisados son los de agrupamiento o ¿clustering¿, mientras que la regresión lineal es un caso de algoritmo supervisado. En este trabajo, se emplean tanto algoritmos supervisados como no supervisados para desarrollar y validar modelos que permitan estudiar y predecir la temperatura de transición vítrea de un material y para indagar en las propiedades dinámicas de su estructura.