Predicción de estructuras cristalinas mediante algoritmos genéticos empleando los recursos provistos por Open Science Grid (OSG) y redes neuronale

G. I. PAGOLA; A. M. ORENDT; M. B. FERRARO; J. C. FACELLI; A. M. LUND

Ciudad de Santa Fe

Congreso; 104º Reunión Nacional de la Asociación Física Argentina; 2019

Asociación Física Argentina

Desde hace más de 15 años nuestro grupo trabaja en la predicción de estructuras de cristales moleculares de interés farmacológico mediante el desarrollo de un código propio basado en algoritmos genéticos, denominado Modified Genetic Algorithms for Crystals (MGAC). En la versión actual del código las optimizaciones locales de las estructuras se realizan a nivel Density Functional Theory (DFT) empleando el código Quantum Espresso[1] pero estos cálculos insumen mucho tiempo de cómputo. Por esa razón, estamos desarrollando un nuevo código que introduce profundas modificaciones al algoritmo en el cual se elimina el concepto tradicional de generaciones en el algoritmo genético, lo cual permite que los cálculos más costosos computacionalmente puedan distribuirse en forma no secuencial acelerando sustancialmente los cálculos (steady state GA). Esta nueva característica del algoritmo que estamos implementando resulta esencial para poder utilizar los recursos de la Open Science Grid (OSG) [2], que nos está permitiendo realizar un volumen mayor de optimizaciones locales de cristales candidato que los que se venían realizando previamente a la implementación de la OSG. En este trabajo se presentan un conjunto de resultados preliminares empleando como sistema molecular de testeo el metanol. Se ha elegido este sistema por ser un sistema pequeño que presenta varios polimorfos y es de interés en la bibliografía [3]. A partir de las optimizaciones obtenidas también se propone un método para acelerar aún más la convergencia del método empleando redes neuronales. El método propuesto consiste en obtener un determinado conjunto de optimizaciones de cristales candidato y utilizar los parámetros (es decir, los genes del Algoritmo Genético) previos y posteriores a la optimización de cada uno de estos cristales para utilizarlos como input y output de la red neuronal para entrenarla. De esta manera, una vez que se tiene entrenada la red neuronal, se la utiliza para pre-optimizar los nuevos cristales candidato que constantemente va generando el MGAC. [1] www.quantum-espresso.org[2] www.opensciencegrid.org/[3] Phys.Chem.Chem.Phys., 2016, 18, 2736