DP Technology, la startup china detrás del software de código abierto DeePMD-kit, cerró una ronda Serie C de USD 114 millones para expandir su plataforma de inteligencia artificial aplicada a la simulación molecular. La compañía, parte de la iniciativa DeepModeling, desarrolla métodos de aprendizaje profundo que aceleran cálculos de química cuántica sin sacrificar precisión.
El financiamiento llega en medio de una ola de inversión en IA aplicada a la ciencia: Washington anunció un plan de USD 5.000 millones para ciencia asistida por IA y startups como Axiomatic AI captaron USD 18 millones para infraestructura de ingeniería verificada. DP Technology se suma a esa tendencia con un enfoque específico: reemplazar simulaciones costosas de física y química por modelos entrenados con datos cuánticos.
TL;DR
- DP Technology cerró una ronda Serie C de USD 114 millones para su plataforma de IA aplicada a la ciencia.- La empresa desarrolla DeePMD-kit, software abierto para dinámica molecular con potenciales Deep Potential.- Los potenciales Deep Potential se entrenan con datos DFT y buscan precisión cuántica al costo de una simulación clásica.- La ronda llega mientras EE.UU. destina USD 5.000 millones a IA para ciencia y Axiomatic AI capta USD 18 millones.- DP Technology opera también Bohrium, su nube de cómputo científico para entrenar y correr estos modelos.- El software se integra con LAMMPS y otros motores de dinámica molecular usados en materiales y farmacéutica.
Qué pasó con DP Technology
La ronda Serie C, reportada por Yahoo Finance, coloca USD 114 millones frescos en DP Technology para acelerar el desarrollo de su plataforma de inteligencia artificial orientada a ciencia de materiales, química computacional y descubrimiento de fármacos. La compañía forma parte de DeepModeling, un colectivo de investigación que reúne a desarrolladores de software científico open source.
DP Technology es conocida principalmente por DeePMD-kit, un paquete que implementa el método Deep Potential Molecular Dynamics (DPMD): una técnica que entrena redes neuronales para reproducir las energías y fuerzas que arrojaría un cálculo de teoría del funcional de la densidad (DFT), pero a una fracción del costo computacional. El objetivo declarado de la compañía es que investigadores puedan simular sistemas de millones de átomos con precisión cercana a la cuántica.
La compañía también opera Bohrium, una plataforma en la nube donde los usuarios entrenan modelos, corren simulaciones y comparten flujos de trabajo científicos sin mantener clústeres propios. Parte del capital de esta ronda se orienta a escalar esa infraestructura.
Bohrium, la nube científica de DP Technology, aloja el entrenamiento de estos modelos.
Contexto e historia
El método Deep Potential nació de un problema clásico en física computacional: los cálculos DFT son precisos pero extremadamente lentos, mientras que la dinámica molecular clásica con campos de fuerza fijos es rápida pero pierde precisión en reacciones químicas, cambios de fase o materiales nuevos. DeePMD-kit surgió como una de las primeras implementaciones prácticas para cerrar esa brecha usando redes neuronales.
El equipo original detrás del método está vinculado al matemático Weinan E, conocido por su trabajo en la intersección entre ecuaciones diferenciales parciales y aprendizaje profundo. DP Technology comercializó y extendió esa investigación académica hacia una plataforma con soporte, entrenamiento gestionado en la nube y modelos preentrenados para distintas familias de materiales.
Desde su lanzamiento, el proyecto DeePMD-kit se mantiene como software libre en GitHub, bajo el paraguas de DeepModeling, que también incluye herramientas como ABACUS para DFT y dpdata para manejo de datos de simulación. Esa base abierta explica por qué universidades y laboratorios de materiales lo adoptaron antes de que existiera un producto comercial alrededor.
La ronda también refleja una divergencia geográfica en cómo se financia la IA para ciencia: mientras Estados Unidos canaliza dinero público hacia iniciativas como la de USD 5.000 millones, DP Technology construyó su base de usuarios primero con software gratuito y recién después buscó capital privado para escalar el negocio alrededor de Bohrium.
Detalles técnicos y rendimiento
Un potencial Deep Potential no reemplaza la física: aprende a imitarla. El flujo de trabajo típico junta un conjunto de estructuras atómicas con sus energías y fuerzas calculadas por DFT, entrena una red neuronal para predecir esos valores a partir de la configuración local de cada átomo y después usa ese modelo entrenado dentro de un motor de dinámica molecular estándar.
flowchart TD
A["Cálculos DFT de referencia"] --> B["Conjunto de datos de energías y fuerzas"]
B --> C["Entrenamiento de la red Deep Potential"]
C --> D["Modelo entrenado (grafo .pb)"]
D --> E[("Dinámica molecular en LAMMPS o i-PI")]
subgraph Bohrium
C
D
end
La arquitectura usada por DeePMD-kit describe el entorno local de cada átomo, es decir sus vecinos dentro de un radio de corte, y lo transforma en un vector de características antes de pasarlo por una red totalmente conectada. Ese diseño le permite a un mismo modelo escalar de decenas a millones de átomos, porque la evaluación de cada átomo depende solo de su vecindario, no del sistema completo.
MétodoPrecisiónCosto computacionalEscala típicaDFT (ab initio)Referencia, altaMuy alto, crece rápido con el número de átomosCientos de átomos, picosegundosDinámica molecular clásicaDepende del campo de fuerza, limitada en reaccionesBajoMillones de átomos, microsegundos o másDeep Potential (DeePMD-kit)Cercana a DFT en el dominio entrenadoMedio, escala casi linealmenteMillones de átomos manteniendo precisión cuántica
💭 Clave: el mismo modelo que reproduce la física de un cálculo DFT corre después dentro de un motor de dinámica molecular clásico como LAMMPS, sin volver a invocar DFT en cada paso.
La validación estándar de un modelo Deep Potential compara, sobre un conjunto de prueba separado del entrenamiento, el error entre las energías y fuerzas predichas y las calculadas por DFT. Un modelo se considera listo para producción cuando ese error queda por debajo de la tolerancia que el investigador definió para su sistema específico, no por un umbral universal.
⚠️ Ojo: un modelo Deep Potential entrenado para un material o una molécula específica no generaliza automáticamente a sistemas químicos distintos; requiere su propio conjunto de datos DFT y su propio entrenamiento.
Esa especificidad es la principal limitación del enfoque: un modelo entrenado para un óxido metálico no sirve para simular una proteína, y generar el conjunto de datos DFT inicial sigue exigiendo el mismo cómputo caro que el método busca evitar en la etapa de producción. Por eso DP Technology combina el software abierto con datasets y modelos preentrenados en Bohrium, para que no todos los usuarios deban correr esa etapa desde cero.
El mismo modelo escala de una molécula de agua a sistemas de millones de átomos.
Cómo empezar a usar DeePMD-kit
DeePMD-kit se instala con pip o conda y corre tanto en CPU como en GPU. La forma más rápida de probarlo es con el paquete que incluye soporte GPU:
pip install deepmd-kit[gpu]
dp --version
Ese comando instala la CLI dp, que centraliza entrenamiento, congelado y evaluación de modelos. Alternativamente, el canal de conda de DeepModeling instala también LAMMPS con el plugin de Deep Potential ya compilado:
conda create -n deepmd deepmd-kit lammps -c deepmodeling -c conda-forge
conda activate deepmd
Para entrenar un modelo hace falta un archivo de configuración en JSON que defina el descriptor de la red, la red de ajuste (fitting net) y dónde están los datos de entrenamiento:
{
"model": {
"type_map": ["O", "H"],
"descriptor": {
"type": "se_e2_a",
"rcut": 6.0,
"rcut_smth": 0.5,
"sel": [46, 92]
},
"fitting_net": {
"neuron": [240, 240, 240],
"resnet_dt": true
}
},
"training": {
"training_data": {
"systems": ["./data/water/training"]
},
"numb_steps": 1000000,
"seed": 1
}
}
Con ese archivo guardado como input.json, el flujo completo es entrenar, congelar el modelo en un grafo y correr una evaluación contra el conjunto de validación:
dp train input.json
dp freeze -o graph.pb
dp test -m graph.pb -s ./data/water/validation
El comando dp test imprime el error de energías y fuerzas frente al conjunto de validación: es la forma concreta de confirmar que el modelo entrenado está listo antes de usarlo en una simulación de producción, en vez de asumirlo.
Impacto y análisis
El financiamiento de DP Technology confirma que la categoría de IA para ciencia atrae capital por fuera de los grandes modelos de lenguaje. A diferencia de un chatbot, un potencial Deep Potential no genera texto: predice una cantidad física (energía o fuerza) que debe ser consistente con las leyes de la mecánica cuántica, y su utilidad se mide contra un cálculo DFT de referencia, no contra el gusto de un usuario.
Ese enfoque tiene aplicaciones concretas en diseño de baterías, catálisis, materiales para semiconductores y descubrimiento de fármacos, áreas donde simular con precisión cuántica sistemas grandes durante tiempos largos era antes prohibitivo en costo de cómputo. La existencia de una nube dedicada como Bohrium reduce además la barrera de entrada: un laboratorio sin clúster propio puede entrenar y correr estos modelos alquilando cómputo por uso.
El contraste con el resto del mercado de IA es notable. Mientras MIT Technology Review documenta que los agentes de IA para ciencia todavía necesitan más razonamiento que datos para ser confiables, DP Technology apuesta por un camino distinto: modelos especializados, entrenados contra una referencia física exacta, en vez de agentes generalistas que consultan literatura y proponen hipótesis.
Qué sigue
Con capital fresco, DP Technology previsiblemente ampliará el catálogo de modelos preentrenados en Bohrium y el alcance de dominios químicos cubiertos por DeePMD-kit, hoy centrado en materiales inorgánicos, agua, catalizadores y algunas moléculas orgánicas. La tendencia más amplia de gobiernos y fondos privados canalizando dinero hacia IA aplicada a ciencia dura probablemente siga sumando rondas similares en los próximos meses, como ya ocurrió con la iniciativa de USD 5.000 millones anunciada en Estados Unidos.
Para la comunidad de código abierto, el punto a vigilar es si el crecimiento comercial de DP Technology mantiene el desarrollo de DeePMD-kit como software libre bajo DeepModeling o si empieza a reservar funciones nuevas para la oferta paga de Bohrium.
📖 Resumen en Telegram: Ver resumen
Probá vos: instalá DeePMD-kit con pip install deepmd-kit[gpu] y corré el ejemplo de agua líquida del repositorio oficial en GitHub para ver un potencial Deep Potential entrenando en minutos.
Preguntas frecuentes
¿Qué es DP Technology?
Es una startup china de ciencia de materiales e inteligencia artificial, parte de la iniciativa DeepModeling, conocida por el software DeePMD-kit y la nube científica Bohrium.
¿Qué es un potencial Deep Potential?
Es un modelo de red neuronal entrenado para predecir la energía y las fuerzas de un sistema atómico con precisión cercana a un cálculo DFT, pero a costo computacional mucho menor.
¿DeePMD-kit es gratuito?
Sí, es software de código abierto disponible en GitHub bajo DeepModeling; Bohrium, la nube para entrenarlo y correrlo sin infraestructura propia, es un servicio comercial aparte.
¿En qué se diferencia de un modelo de lenguaje como GPT o Claude?
No genera texto ni razona en lenguaje natural: predice una cantidad física exacta (energía, fuerza) y su calidad se mide contra un cálculo cuántico de referencia, no contra preferencias humanas.
¿Para qué se usa en la práctica?
Para simular materiales, catalizadores, baterías y algunas moléculas a escalas de millones de átomos que serían inviables de calcular con DFT puro.
¿Cuánto capital levantó DP Technology en esta ronda?
USD 114 millones en una ronda Serie C, según reportó Yahoo Finance.
Referencias
- Yahoo Finance: cobertura de la ronda Serie C de USD 114 millones de DP Technology.- GitHub, deepmodeling/deepmd-kit: repositorio oficial del software Deep Potential Molecular Dynamics.- MIT Technology Review: análisis sobre los límites actuales de los agentes de IA aplicados a ciencia.- NPR: cobertura del plan de USD 5.000 millones de Estados Unidos para IA aplicada a ciencia.
📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.
Top comments (0)