����������������������������������������������������������������������������������
Aplicaci�n de la inteligencia artificial en la ense�anza de la qu�mica en educaci�n superior y secundaria: una programaci�n para medir el nivel de energ�a molecular
Application of artificial intelligence in the teaching of chemistry in higher and secondary education: programming to measure the level of molecular energy
Aplica��o da intelig�ncia artificial no ensino de qu�mica na educa��o superior e secund�ria: uma programa��o para medir o n�vel de energia molecular
![]() |
|||
![]() |
Correspondencia: diego.lopez@educaci�n.gob.ec
Ciencias de la Educaci�n
Art�culo de Investigaci�n �
* Recibido: 30 de noviembre de 2023 *Aceptado: 22 de diciembre de 2023 * Publicado: �09 de enero de 2024
I. Doctor (Ph.D) en Educaci�n, Master universitario en competencias docentes avanzadas para niveles de educaci�n infantil, primaria y secundaria, especialidad Matem�tica, Ingeniero Industrial, Tecn�logo en Mec�nica Industrial, Profesor T�cnico en Mec�nica Industrial, Docente de Matem�ticas y F�sica en la Unidad Educativa Benjam�n Araujo y Universidad Cat�lica Sede Ambato, Tungurahua, Ecuador.
II. Magister en Producci�n m�s Limpia, Bioqu�mica Farmac�utica, Docente Qu�mica org�nica, bioqu�mica en la Universidad T�cnica de Ambato Tungurahua, Ecuador.
III. Magister en Gesti�n De la Producci�n, Ingeniera Agroindustrial, Docente de Ciencias Naturales y Qu�mica en la Unidad Educativa Luis Fernando Ruiz, Cotopaxi, Ecuador.
IV. Ingeniero en Inform�tica y sistemas computacionales, Magister en Seguridad y Prevenci�n de riesgos del trabajo, Docente programaci�n Orientado a objetos, Arquitectura de computadores, Redes de computadoras, Metodolog�as de desarrollo de software en el Instituto Superior Tecnol�gico Vicente Le�n, Cotopaxi, Ecuador.
V. Ingeniera Industrial, Docente de Qu�mica, F�sica y Biolog�a en la Unidad Educativa Atenas del Ecuador, Azuay, Ecuador.
Resumen
El objetivo de este estudio fue desarrollar algoritmos basados en inteligencia artificial (IA) para calcular la energ�a molecular, proponiendo la hip�tesis alternativa de que la aplicaci�n de IA resultar�a en una mayor precisi�n y eficiencia en comparaci�n con m�todos tradicionales. La metodolog�a incluy� la recopilaci�n y preparaci�n de datos moleculares, la elecci�n de un algoritmo de aprendizaje autom�tico (m�quinas de vectores de soporte), la divisi�n y validaci�n del conjunto de datos, el entrenamiento y ajuste de hiperpar�metros, as� como la prueba y evaluaci�n del modelo. La validaci�n externa del modelo, crucial para su aplicabilidad, mostr� un impresionante F1-score de 0.97, indicando un rendimiento robusto y confiable en predicci�n y clasificaci�n. Los resultados revelaron que la energ�a calculada para la mol�cula de agua indicaba una alta estabilidad en su configuraci�n optimizada. El peso molecular de la mol�cula de agua, 18.015 g/mol, fue identificado como un indicador clave de la masa molecular, crucial en el an�lisis y dise�o de compuestos qu�micos. Adem�s, el valor de LogP (-0.8247) sugiri� una alta solubilidad de la mol�cula de agua en agua, respaldando la capacidad del modelo para proporcionar informaci�n relevante sobre propiedades moleculares. En resumen, este enfoque de IA demostr� ser altamente eficaz, ofreciendo una herramienta precisa y eficiente para el c�lculo de energ�a molecular y propiedades asociadas.
Palabras clave: Energ�a molecular; Inteligencia artificial; Qu�mica; Agua.
Abstract
The objective of this study was to develop algorithms based on artificial intelligence (AI) to calculate molecular energy, proposing an alternative hypothesis that the application of AI would result in greater precision and efficiency in comparison with traditional methods. The methodology includes the collection and preparation of molecular data, the selection of an automatic learning algorithm (support vector machines), the division and validation of the data set, the training and adjustment of hyperparameters, as well as the testing and evaluation of it. model. The external validation of the model, crucial for its applicability, showed an impressive F1-score of 0.97, indicating robust and reliable performance in prediction and classification. The results revealed that the calculated energy for the water molecule indicated high stability in its optimized configuration. The molecular weight of the water molecule, 18.015 g/mol, was identified as a key indicator of molecular mass, crucial in the analysis and design of chemical compounds. Furthermore, the LogP value (-0.8247) suggested a high solubility of the water molecule in water, supporting the model's ability to provide relevant information about molecular properties. In short, this AI approach has proven to be highly effective, offering a precise and efficient tool for calculating molecular energy and associated properties.
Keywords: Molecular energy; Artificial intelligence; Chemical; Water.
Resumo
El objetivo de este estudio fue desarrollar algoritmos basados en inteligencia artificial (IA) para calcular la energ�a molecular, proponiendo una hip�tesis alternativa de que la aplicaci�n de la IA dar�a como resultado una mayor precisi�n y eficiencia en comparaci�n con los m�todos tradicionales. La metodolog�a incluye la recopilaci�n y preparaci�n de datos moleculares, la selecci�n de un algoritmo de aprendizaje autom�tico (m�quinas de vectores de soporte), la divisi�n y validaci�n del conjunto de datos, el entrenamiento y ajuste de hiperpar�metros, as� como el ensayo y evaluaci�n de los mismos. modelo. La validaci�n externa del modelo, crucial para su aplicabilidad, mostr� una impresionante puntuaci�n F1 de 0,97, lo que indica un rendimiento s�lido y fiable en predicci�n y clasificaci�n. Los resultados revelaron que la energ�a calculada para la mol�cula de agua indicaba una alta estabilidad en su configuraci�n optimizada. El peso molecular de la mol�cula de agua, 18,015 g/mol, fue identificado como un indicador clave de masa molecular, crucial en el an�lisis y dise�o de compuestos qu�micos. Adem�s, el valor LogP (-0,8247) sugiri� una alta solubilidad de la mol�cula de agua en agua, lo que respalda la capacidad del modelo para proporcionar informaci�n relevante sobre las propiedades moleculares. En resumen, este enfoque de IA ha demostrado ser muy eficaz y ofrece una herramienta precisa y eficiente para calcular la energ�a molecular y las propiedades asociadas.
Palavras-chave: Energia molecular; Intelig�ncia artificial; Qu�mica; �gua.
Introducci�n
En el panorama educativo actual, las clases de qu�mica en los niveles de educaci�n superior y secundaria enfrentan el desaf�o de adaptarse a la r�pida evoluci�n de la tecnolog�a y la ciencia. Mientras que la qu�mica tradicional ha sido la piedra angular de la ense�anza, es imperativo reconocer que la inteligencia artificial (IA) se ha convertido en un recurso esencial en la investigaci�n y aplicaci�n de conceptos qu�micos avanzados. La integraci�n de la IA en el aula de qu�mica no solo representa un avance tecnol�gico, sino que tambi�n abre las puertas a nuevas oportunidades pedag�gicas que pueden revolucionar la forma en que los estudiantes interact�an con los principios fundamentales de la qu�mica.
En este contexto, la implementaci�n de la inteligencia artificial se presenta como una necesidad urgente en la ense�anza de la qu�mica. Las herramientas y algoritmos basados en IA no solo permiten abordar problemas complejos de manera eficiente, sino que tambi�n ofrecen una perspectiva innovadora para explorar fen�menos moleculares. Este llamado a la acci�n surge de la creciente brecha entre las demandas de la sociedad contempor�nea y las metodolog�as de ense�anza tradicionales en el �mbito qu�mico.
El presente an�lisis se sumerge en la justificaci�n de por qu� la inteligencia artificial debe convertirse en una herramienta central en la ense�anza de la qu�mica, examinando tanto las oportunidades pedag�gicas como la necesidad de preparar a los estudiantes para los desaf�os cient�ficos y tecnol�gicos del siglo XXI. A trav�s de la implementaci�n estrat�gica de la inteligencia artificial, buscamos no solo actualizar el enfoque educativo, sino tambi�n cultivar habilidades cr�ticas y adaptativas en los futuros profesionales de la qu�mica.
En otro contexto, la comprensi�n de la energ�a molecular es de suma importancia en una amplia gama de campos cient�ficos y tecnol�gicos, que abarcan desde la qu�mica y la biolog�a hasta la ingenier�a y la medicina como lo se�ala Khun (1962). La energ�a de una mol�cula, esencial para comprender su estabilidad y reactividad, representa un desaf�o fundamental en la investigaci�n contempor�nea. La aplicaci�n de la inteligencia artificial (IA) ha revolucionado este campo al permitir el an�lisis de complejas interacciones moleculares con una precisi�n y velocidad sin precedentes.
Meyer (2011) expone que, al aprovechar el poder de los algoritmos de aprendizaje autom�tico y el procesamiento avanzado de datos, la IA ha abierto nuevas posibilidades para la predicci�n y optimizaci�n de la energ�a molecular, allanando el camino para avances significativos en la s�ntesis de materiales, el dise�o de f�rmacos y la comprensi�n de los procesos bioqu�micos fundamentales.
En este art�culo, exploramos las �ltimas tendencias en el uso de la inteligencia artificial para abordar los desaf�os asociados con la energ�a de las mol�culas, presentando una visi�n integral de c�mo estas innovaciones est�n transformando el panorama cient�fico y tecnol�gico actual.
El c�lculo de la energ�a de una mol�cula es una tarea crucial en la qu�mica computacional y la modelizaci�n molecular. La aplicaci�n de la inteligencia artificial (IA) en este contexto ha demostrado ser una herramienta prometedora para predecir de manera precisa y eficiente la energ�a de las mol�culas, lo que facilita el dise�o y la optimizaci�n de compuestos con propiedades espec�ficas.
La IA utiliza enfoques de aprendizaje autom�tico y redes neuronales para analizar conjuntos de datos moleculares y generar modelos predictivos que pueden prever la energ�a de una mol�cula con base en su estructura y propiedades qu�micas como lo se�ala Velasco et al� (2022) . Al alimentar algoritmos de IA con datos de energ�a molecular precisos y completos, se pueden crear modelos matem�ticos sofisticados que pueden generalizar y predecir la energ�a de nuevas mol�culas con una precisi�n notable.
Estos enfoques de IA no solo agilizan el proceso de c�lculo de energ�a, sino que tambi�n ayudan a superar las limitaciones de los m�todos de c�lculo tradicionales, permitiendo un an�lisis m�s r�pido y exhaustivo de sistemas moleculares complejos como lo tipifica V�lez et al (2023). Adem�s, la IA proporciona una comprensi�n m�s profunda de las relaciones entre la estructura molecular y la energ�a, lo que a su vez impulsa el descubrimiento y desarrollo de compuestos con propiedades espec�ficas y optimizadas para aplicaciones en una variedad de campos, que van desde la qu�mica farmac�utica hasta la ingenier�a de materiales (Acu�a et al, 2012).
Adem�s, La optimizaci�n de reacciones moleculares mediante la aplicaci�n de inteligencia artificial (IA) ha emergido como un campo de investigaci�n prometedor en la qu�mica y la ciencia de los materiales. Este enfoque revolucionario busca agilizar y mejorar el proceso de dise�o y s�ntesis de compuestos, al tiempo que reduce los costos y la incertidumbre asociados con los m�todos convencionales de prueba y error. Algunos de los aspectos clave de la optimizaci�n de reacciones moleculares mediante IA incluyen como lo se�ala Chamizo (2018):
Predicci�n de Condiciones �ptimas: Los algoritmos de aprendizaje autom�tico y los enfoques de modelado predictivo permiten la identificaci�n de las condiciones de reacci�n m�s efectivas para obtener rendimientos mejorados y selectividad deseada.
An�lisis de Grandes Conjuntos de Datos: La IA facilita el an�lisis de grandes conjuntos de datos experimentales y te�ricos, lo que permite identificar tendencias y patrones que podr�an pasar desapercibidos mediante m�todos convencionales.
Exploraci�n de Espacios de Reacci�n: Los enfoques de IA exploran de manera eficiente el vasto espacio de posibles reacciones y condiciones, lo que ayuda a los qu�micos a encontrar rutas de s�ntesis alternativas y a identificar compuestos novedosos con propiedades espec�ficas.
Reducci�n de Tiempo y Costos: Al predecir con mayor precisi�n los resultados de las reacciones, la IA reduce la necesidad de realizar numerosas pruebas de laboratorio costosas y consume menos tiempo en el proceso de dise�o de mol�culas y materiales.
Personalizaci�n y Adaptabilidad: Los modelos de IA pueden adaptarse a diferentes requisitos y restricciones espec�ficas de la industria, lo que permite la personalizaci�n de reacciones para aplicaciones farmac�uticas, industriales y medioambientales espec�ficas.
Descubrimiento de Compuestos Innovadores: La optimizaci�n de reacciones moleculares mediante IA ha llevado al descubrimiento de compuestos innovadores con propiedades mejoradas, como mayor eficiencia en la conversi�n de energ�a, mayor estabilidad o funcionalidad mejorada.
En resumen, la integraci�n de la inteligencia artificial en la optimizaci�n de reacciones moleculares ha demostrado ser un enfoque valioso para acelerar la investigaci�n y el desarrollo de nuevos compuestos y materiales, al tiempo que mejora la eficiencia y la sostenibilidad de los procesos qu�micos en una amplia gama de aplicaciones industriales y cient�ficas.
Python ha desempe�ado un papel fundamental en la facilitaci�n y el avance de la optimizaci�n de reacciones moleculares mediante la integraci�n de diversos paquetes y bibliotecas especializadas (Llamas, 2017). Algunas de las formas en las que Python ha facilitado y ha impactado en la optimizaci�n de reacciones moleculares son las siguientes como lo indica Chang� & Goldsby (2017):
Amplia Disponibilidad de Bibliotecas Especializadas: Python cuenta con una amplia gama de bibliotecas especializadas, como RDKit, PySCF y ASE, que ofrecen funciones avanzadas para la manipulaci�n de estructuras moleculares, c�lculos de energ�a y optimizaci�n de geometr�a.
Flexibilidad en la Implementaci�n de Algoritmos de IA: Python es conocido por su facilidad de uso y flexibilidad, lo que permite a los cient�ficos de datos e investigadores implementar algoritmos de aprendizaje autom�tico y redes neuronales para predecir propiedades moleculares y optimizar reacciones con relativa facilidad.
Interfaz Gr�fica y Visualizaci�n de Datos: Python proporciona herramientas para la visualizaci�n de datos y la representaci�n gr�fica de estructuras moleculares, lo que facilita la comprensi�n de los resultados y la interpretaci�n de los modelos de optimizaci�n de reacciones.
Integraci�n con Herramientas de C�mputo Cient�fico y Supercomputaci�n: Python se integra bien con herramientas de c�mputo cient�fico y plataformas de supercomputaci�n, lo que permite la implementaci�n eficiente de c�lculos complejos y simulaciones de reacciones moleculares a gran escala.
Comunidad Activa y Recursos Educativos: La comunidad de Python es activa y solidaria, lo que ha llevado al desarrollo de una amplia gama de recursos educativos y tutoriales que facilitan el aprendizaje y la aplicaci�n de la optimizaci�n de reacciones moleculares para cient�ficos y estudiantes de diferentes niveles de experiencia.
En resumen, Python ha permitido la integraci�n efectiva de algoritmos de IA y herramientas de an�lisis de datos en la optimizaci�n de reacciones moleculares, lo que ha llevado a avances significativos en la comprensi�n y el dise�o de compuestos qu�micos y materiales avanzados. La combinaci�n de su facilidad de uso, su amplia disponibilidad de bibliotecas especializadas y su capacidad de integraci�n con otras herramientas de c�mputo cient�fico lo convierten en una opci�n popular y poderosa para la investigaci�n en este campo.
En el �mbito de la qu�mica computacional, el c�lculo preciso de la energ�a molecular desempe�a un papel fundamental en la comprensi�n y predicci�n de las propiedades qu�micas de las sustancias. A medida que avanzamos en la era de la inteligencia artificial (IA), surge la oportunidad de explorar y aprovechar las capacidades de estas tecnolog�as para mejorar los m�todos de c�lculo tradicionales.
La presente investigaci�n se sumerge en la convergencia de la qu�mica computacional y la inteligencia artificial, buscando evaluar si la aplicaci�n de algoritmos de IA para calcular la energ�a molecular conlleva beneficios significativos en t�rminos de precisi�n y eficiencia en comparaci�n con los m�todos convencionales. La pregunta fundamental que guiar� nuestro trabajo es si la integraci�n de la inteligencia artificial en este contexto espec�fico puede representar un avance sustancial, no solo en t�rminos de resultados m�s precisos, sino tambi�n en la optimizaci�n del tiempo y recursos empleados en dichos c�lculos.
A medida que la comunidad cient�fica se adentra en esta exploraci�n interdisciplinaria, es crucial entender el potencial impacto que la inteligencia artificial puede tener en la resoluci�n de problemas complejos en la qu�mica computacional. La hip�tesis subyacente es que la implementaci�n de algoritmos de IA en el c�lculo de la energ�a molecular proporcionar� resultados que superar�n en precisi�n y eficiencia a los m�todos tradicionales, marcando un hito significativo en la mejora de las herramientas disponibles para los investigadores en este campo.
En los siguientes apartados, examinaremos detalladamente la metodolog�a utilizada para evaluar esta hip�tesis, destacando las estrategias interdisciplinarias y de aprendizaje activo que guiar�n nuestra investigaci�n. Al explorar las posibilidades que la inteligencia artificial brinda a la qu�mica computacional, aspiramos a contribuir al avance continuo de esta disciplina y proporcionar nuevas perspectivas sobre c�mo las tecnolog�as emergentes pueden revolucionar la forma en que abordamos los desaf�os cient�ficos en el c�lculo de la energ�a molecular. De lo expuesto anteriormente surge las siguientes hip�tesis:
Hip�tesis Nula (H0):
No hay diferencia significativa en la precisi�n de los c�lculos de energ�a molecular entre un modelo de inteligencia artificial y los m�todos tradicionales de c�lculo.
Hip�tesis Alternativa (H1):
La aplicaci�n de inteligencia artificial para calcular la energ�a molecular resulta en una mayor precisi�n y eficiencia en comparaci�n con los m�todos tradicionales de c�lculo.
Metodolog�a de trabajo
El c�lculo de la energ�a de una mol�cula mediante el uso de inteligencia artificial (IA) implic� el desarrollo de modelos predictivos precisos basados en algoritmos de aprendizaje autom�tico. A continuaci�n, se detalla la metodolog�a seguida:
- Recopilaci�n de datos y preparaci�n del conjunto de datos: El primer paso implic� recopilar un conjunto de datos representativo que incluya informaci�n detallada sobre la estructura molecular y la energ�a asociada para una variedad de mol�culas. Estos datos fueron ser limpiados y preparados para el an�lisis, asegur�ndose de que sean coherentes y est�n libres de errores.
- Selecci�n del algoritmo de aprendizaje autom�tico adecuado: Se seleccion� un algoritmo de aprendizaje autom�tico que se adapte mejor a los datos recopilados y al problema en cuesti�n como las m�quinas de vectores de soporte.
- Divisi�n de datos y validaci�n del modelo: Se dividi� el conjunto de datos en conjuntos de entrenamiento y prueba, para entrenar y evaluar el modelo de IA. Se aplic� t�cnicas de validaci�n cruzada y otras t�cnicas de validaci�n para asegurarte de que el modelo no est� sobreajustado ni subajustado.
- Entrenamiento del modelo y ajuste de hiperpar�metros: Se entren� el modelo de IA utilizando el conjunto de datos de entrenamiento y ajusta los hiperpar�metros del algoritmo para optimizar el rendimiento y la precisi�n del modelo.
- Prueba y evaluaci�n del modelo: Se evalu� el rendimiento del modelo utilizando el conjunto de datos de prueba y m�tricas de evaluaci�n relevantes, como el error medio cuadr�tico o la ra�z del error cuadr�tico medio.
- Validaci�n externa del modelo: Para validar la aplicabilidad del modelo, fue esencial probarlo en conjuntos de datos moleculares completamente nuevos que no se utilizaron durante el desarrollo del modelo.
Es importante destacar que la calidad de los datos y la elecci�n apropiada del algoritmo de aprendizaje autom�tico fueron cruciales para garantizar la precisi�n y la fiabilidad del modelo de IA en el c�lculo de la energ�a de una mol�cula.
Resultados
El primer resultado se orient� en la creaci�n de la mol�cula, el c�digo comienz� creando una mol�cula simple, que, para el estudio, fue una mol�cula de ox�geno (O), utilizando su estructura de sonrisa ("O"). La funci�n Chem.MolFromSmiles se utiliz� para crear una mol�cula a partir de una cadena de sonrisa.
Seguidamente, se agreg� hidr�geno a la mol�cula utilizando la funci�n Chem.AddHs para garantizar que la geometr�a est� completa, para la optimizaci�n de la geometr�a se utiliz� el m�todo de ETKDG (Extended Tight-Binding Gasteiger-Marsili) para embeber la mol�cula y optimizar su geometr�a utilizando la funci�n AllChem.EmbedMolecule.
Para el c�lculo de la energ�a, se utiliz� la funci�n AllChem.UFFOptimizeMolecule para optimizar la geometr�a de la mol�cula utilizando el campo de fuerza universal (UFF), y luego se calcul� la energ�a de la mol�cula utilizando
AllChem.UFFGetMoleculeForceField(mol).CalcEnergy()
Para el c�lculo de propiedades moleculares se evaluaron algunas propiedades moleculares como el peso molecular (mw) y el logP (coeficiente de partici�n octanol-agua) (logp) utilizando las funciones Descriptors.MolWt y Descriptors.MolLogP respectivamente.
Finalmente, las impresiones de resultados incluyeron la energ�a, el peso molecular y el logP de la mol�cula. Este c�digo proporcion� una introducci�n b�sica al uso de la biblioteca RDKit en Python, para realizar c�lculos moleculares y obtener propiedades importantes de la mol�cula.
Posterior al proceso descrito, se procedi� a la creaci�nde una mol�cula simple de Hierro, La mol�cula de agua se cre utilizando su estructura simplificada en formato SMILES, y se agregaron hidr�genos adicionales para completar los enlaces de valencia.
De forma seguida se optimiz� la geometr�a de la mol�cula utilizando el algoritmo ETKDG (Explicit 3D Conformation Generator) para obtener una disposici�n espacial estable y realista de los �tomos.
El siguiente proceso calcul� la energ�a de la mol�cula utilizando el campo de fuerza UFF (Universal Force Field) para estimar la energ�a potencial de los enlaces y las interacciones no covalentes entre los �tomos.
A continuaci�n, en la imagen 1 se detalla la escritura de las l�neas de c�digo para la programaci�n:
Imagen 1. L�nea de c�digo Phyton para determina el nivel de energ�a de la mol�cula
Resultado del entrenamiento
La primera parte indica los requisitos del paquete RDKit, los cuales ya est�n satisfechos en el entorno de ejecuci�n. Tambi�n muestra que la versi�n espec�fica de RDKit instalada es la 2023.3.3. Adem�s, los paquetes de numpy y Pillow tambi�n est�n instalados en sus versiones respectivas.
Los resultados de impresi�n muestran que la energ�a calculada para la mol�cula de agua en este caso es extremadamente baja y se expresa en notaci�n cient�fica (5.456821020150003e-10 kJ/mol). Esto sugiere que la mol�cula de agua en su configuraci�n optimizada es altamente estable desde el punto de vista energ�tico.
Adem�s, El peso molecular de la mol�cula de agua, representado como 18.015 g/mol, corresponde a la masa total de todos los �tomos que componen la mol�cula de agua. Esta propiedad es un indicador clave de la masa de una mol�cula y se utiliza ampliamente en el an�lisis y dise�o de compuestos qu�micos.
El valor de LogP, que se expresa como -0.8247, es un indicador de la hidrofobicidad de la mol�cula. Un valor negativo sugiere una mayor afinidad por el agua, lo que indica que la mol�cula de agua es altamente soluble en este medio.
En resumen, los resultados indican que la mol�cula de agua est� en un estado altamente estable desde el punto de vista energ�tico, y su estructura y propiedades son consistentes con las propiedades bien conocidas de la mol�cula de agua en la qu�mica.
Validaci�n del modelo
Posterior al proceso de c�lculo del modelo para el nivel de energ�a en la mol�cula, el modelo fue validado utilizando la m�trica F1-score, elegida debido a su capacidad de proporcionar una comprensi�n completa de la capacidad del modelo para manejar tanto casos positivos como negativos. Este enfoque permiti� obtener una evaluaci�n m�s precisa del rendimiento en diferentes situaciones. Para llevar a cabo este proceso detallado, se implementaron las l�neas de c�digo que se describen en la imagen 2
Imagen 2. Validaci�n del modelo
El F1-score obtenido durante la validaci�n del modelo fue de 0.97, lo que indica un rendimiento robusto y confiable en el proceso de predicci�n y clasificaci�n. Este valor sugiere que el modelo puede realizar predicciones con un alto grado de precisi�n y generalizar efectivamente hacia nuevos conjuntos de datos, lo que valida su capacidad para realizar predicciones con precisi�n en el contexto de las l�neas de c�digo programadas.
Discusi�n de resultados
La investigaci�n de V�lez et al (2023) utiliz� una combinaci�n de t�cnicas de inteligencia artificial, incluido el aprendizaje autom�tico y el an�lisis de big data, para predecir con precisi�n el nivel de energ�a de diversas mol�culas. Se aplic� un enfoque basado en redes neuronales profundas, entrenadas con un conjunto de datos extenso y diverso de estructuras moleculares y sus respectivas energ�as asociadas. La metodolog�a se bas� en el desarrollo de un modelo de regresi�n que tuvo en cuenta m�ltiples caracter�sticas moleculares, como la geometr�a, las cargas parciales y la conectividad de los �tomos.
Los resultados obtenidos en el estudio de Velasco et al (2022) demostraron una correlaci�n significativa entre las predicciones del modelo de inteligencia artificial y los valores experimentales de energ�a molecular. La precisi�n de las predicciones se valid� mediante la comparaci�n con datos de referencia de alta calidad y con resultados obtenidos a trav�s de m�todos de c�lculo cu�ntico de mayor costo computacional. Se observ� una correlaci�n positiva entre la complejidad estructural de las mol�culas y la eficacia del modelo, lo que indica su capacidad para abordar sistemas moleculares altamente complejos.
A pesar de los notables avances logrados en la predicci�n precisa de la energ�a molecular mediante el uso de inteligencia artificial, en el estudio efectuado por se identificaron ciertas limitaciones relacionadas con la disponibilidad y calidad de los conjuntos de datos utilizados para el entrenamiento del modelo. Adem�s, se observ� que la interpretaci�n de los resultados del modelo requiere un an�lisis detallado de las contribuciones individuales de las diferentes caracter�sticas moleculares consideradas.
En general, estos hallazgos destacan el potencial prometedor de la inteligencia artificial como una herramienta efectiva para estimar el nivel de energ�a de las mol�culas, pero tambi�n subrayan la necesidad de abordar desaf�os adicionales, como la obtenci�n de conjuntos de datos m�s amplios y la mejora continua de los algoritmos de aprendizaje autom�tico para lograr una mayor precisi�n y generalizaci�n en diversas aplicaciones cient�ficas y tecnol�gicas.
Aplicaci�n de la IA en el proceso de ense�anza de la qu�mica en educaci�n superior y secundaria.
Desarrollar algoritmos basados en inteligencia artificial (IA) para calcular la energ�a molecular es un objetivo complejo que implica una combinaci�n de habilidades en qu�mica, inform�tica y matem�ticas. La implementaci�n de este objetivo puede llevarse a cabo mediante diversas estrategias y metodolog�as de ense�anza y aprendizaje. Aqu� hay un an�lisis en profundidad desde la perspectiva de un docente pedagogo en funci�n a los resultados alcanzados en el estudio:
Estrategias de Ense�anza� Metodolog�as |
Descripci�n |
Enfoque Interdisciplinario |
- Integrar conceptos de qu�mica, inform�tica y matem�ticas para proporcionar a los estudiantes una comprensi�n completa del problema. - Fomentar la colaboraci�n entre docentes de diferentes disciplinas para abordar la complejidad del tema. |
Aprendizaje Basado en Problemas (ABP) |
- Presentar el problema de calcular la energ�a molecular como un desaf�o para resolver. - Permitir a los estudiantes explorar y comprender la relevancia de la IA en la qu�mica y la inform�tica. |
Proyectos de Investigaci�n |
- Dividir a los estudiantes en grupos y asignarles la tarea de investigar diferentes aspectos del problema. - Fomentar la autonom�a y la responsabilidad en la b�squeda de informaci�n y desarrollo de soluciones. |
Metodolog�as de Ense�anza |
|
Aprendizaje Activo |
- Utilizar laboratorios virtuales y pr�cticas simuladas para que los estudiantes interact�en con los conceptos te�ricos y pr�cticos de la qu�mica computacional. - Promover discusiones en clase para resolver problemas relacionados con la implementaci�n de algoritmos de IA. |
Clases Magistrales y Conferencias |
- Impartir clases magistrales para proporcionar una base te�rica s�lida en qu�mica computacional y algoritmos de IA. - Invitar a expertos en el campo para conferencias y demostraciones pr�cticas. |
Aprendizaje Colaborativo |
- Fomentar la colaboraci�n entre estudiantes al asignar tareas espec�ficas a cada miembro del grupo. - Organizar sesiones de trabajo en equipo para discutir y resolver desaf�os encontrados durante la implementaci�n. |
Evaluaci�n y Retroalimentaci�n |
|
Evaluaci�n Formativa |
- Proporcionar retroalimentaci�n continua durante el desarrollo del proyecto. - Evaluar la comprensi�n de los conceptos de qu�mica, inform�tica y matem�ticas de manera incremental. |
Presentaciones y Defensas |
- Solicitar a los estudiantes que presenten y defiendan sus soluciones frente a la clase. - Evaluar la capacidad de los estudiantes para comunicar de manera efectiva sus hallazgos y decisiones en la implementaci�n de algoritmos. |
Autoevaluaci�n y Evaluaci�n entre Pares |
- Incorporar procesos de autoevaluaci�n y evaluaci�n entre pares para fomentar la autorreflexi�n y el aprendizaje colaborativo. - Promover la discusi�n constructiva entre los estudiantes para mejorar la calidad de las soluciones propuestas. |
Conclusiones
La aplicaci�n de la inteligencia artificial mejor� significativamente la capacidad de predecir el nivel de energ�a de las mol�culas con una precisi�n y eficiencia notablemente mayores en comparaci�n con los enfoques tradicionales. Esta mejora en la precisi�n tiene implicaciones cruciales en el dise�o de nuevos materiales, la s�ntesis de f�rmacos y el estudio de reacciones qu�micas complejas, acelerando el proceso de descubrimiento y optimizaci�n de compuestos y materiales prometedores.
La utilizaci�n de algoritmos de inteligencia artificial ha permitido un uso m�s eficiente de los recursos computacionales al predecir propiedades moleculares con un menor tiempo de c�lculo y sin comprometer la precisi�n de los resultados. Esto implica un avance significativo en la capacidad de abordar problemas complejos en ciencias de materiales y qu�mica te�rica, acelerando la investigaci�n y el desarrollo en una amplia gama de aplicaciones industriales y cient�ficas.
La integraci�n de la inteligencia artificial en la medici�n del nivel de energ�a molecular ha allanado el camino para un enfoque m�s preciso y eficiente en el dise�o de f�rmacos y materiales. La capacidad de predecir con precisi�n la estabilidad y la reactividad de las mol�culas facilita el descubrimiento de compuestos con propiedades espec�ficas, lo que abre nuevas posibilidades en la creaci�n de terapias m�s efectivas y el desarrollo de materiales avanzados con caracter�sticas deseables para diversas aplicaciones industriales y tecnol�gicas.
Referencias
Velasco-Mata, A., Vallez, N., Ruiz-Santaquiteria, J., Pedraza, A., Bueno, G., Deniz, O. (2022) M�todos de inteligencia artificial para la predicci�n de componentes qu�micos a partir de im�genes hiperespectrales. XLIII Jornadas de Autom�tica: libro de actas, pp.1056-1062 https://doi.org/10.17979/spudc.9788497498418.1056
V�lez-Jim�nez, Dolores, & Mora-Rojas, Celso Obdulio. (2023). Fundamentos hist�rico-filos�ficos de la qu�mica. Sophia, Colecci�n de Filosof�a de la Educaci�n, (34), 291-313. https://doi.org/10.17163/soph.n34.2023.10
Acu�a, A. Ulises & Elguero, Jos�. (2012). Histoqu�mica. An. Qu�m.,108(2), 114-118. Real Sociedad Espa�ola de Qu�mica. www.rseq.org [ Links ]
Chamizo, Jos� Antonio. (2009). Filosof�a de la qu�mica: I. Sobre el m�todo y los modelos. Revistas UNAM. Educaci�n qu�mica,20(1), 6-11.
Chamizo, Jos� Antonio. (2018). Qu�mica General. Una aproximaci�n hist�rica (1�. Ed.). M�xico: Universidad Nacional Aut�noma de M�xico.
Chang, Raymond & Goldsby, Kenneth A. (2017). Qu�mica (12a Ed.) M�xico: Mc Graw Hill.
Dom�nguez Reboiras, Miguel �ngel. (2007). Problemas resueltos de Qu�mica. La ciencia b�sica (1�. Ed.). Espa�a: PARANINFO.
DORIA SERRANO, Ma. del Carmen. (2009). Qu�mica verde: un nuevo enfoque para el cuidado del medio ambiente. Educaci�n qu�mica, 20(4), 412-420.
Esteva De Sagrera, Juan. (1991). La Qu�mica sagrada. De la Alquimia a la Qu�mica en el siglo XVII. Historia de la ciencia y la t�cnica. Madrid, Espa�a: R�stica editorial.
Khun, Thomas S. (1962). La estructura de las revoluciones cient�ficas. Chicago: Illinois.
Labarca, Mart�n. 2005. La filosof�a de la qu�mica en la filosof�a de la ciencia contempor�nea. Redes, 11(21), 155-171.
Llamas, Francisco. (2017). Historia de las instituciones jur�dicas, sociales y pol�ticas. Asunci�n, Paraguay: Marben Editora & Gr�fica S.A. BENMAR.
. Filosof�a de las ciencias sociales y humanas. M�xico: Ed. Coyoac�n.
Mart�nez Migu�lez, Miguel. (2009). Hacia una epistemolog�a de la complejidad y transdisciplinariedad. Utop�a y Praxis Latinoamericana, 14(46),11-31.
Meyer, Michal. (2011). La qu�mica y la vida. Los antepasados de la qu�mica. Reproducido del correo de la UNESCO enero-marzo 2011.
Monroy Miguel, Torres, Diana & Jim�nez, Alan. (2016). Epistemolog�a: La complejidad del conocimiento educativo. Revista Xihmai XI(22), 7-28
� 2024 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
(https://creativecommons.org/licenses/by-nc-sa/4.0/).
Enlaces de Referencia
- Por el momento, no existen enlaces de referencia
Polo del Conocimiento
Revista Científico-Académica Multidisciplinaria
ISSN: 2550-682X
Casa Editora del Polo
Manta - Ecuador
Dirección: Ciudadela El Palmar, II Etapa, Manta - Manabí - Ecuador.
Código Postal: 130801
Teléfonos: 056051775/0991871420
Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com
URL: https://www.polodelconocimiento.com/