Uma equipe liderada por cientistas da DeepMind, empresa de inteligência artificial sediada em Londres, desenvolveu um modelo de aprendizado de máquina que sugere as características de uma molécula ao prever a distribuição dos elétrons dentro dela. A abordagem, descrita na edição de 10 de dezembro da Science1, pode calcular as propriedades de algumas moléculas com mais precisão do que as técnicas existentes.
“Torná-lo tão preciso quanto o fez é uma façanha”, diz Anatole von Lilienfeld, um cientista de materiais da Universidade de Viena.
O artigo é “um trabalho sólido”, diz Katarzyna Pernal, química computacional da Universidade de Tecnologia de Lodz, na Polônia. Mas ela acrescenta que o modelo de aprendizado de máquina ainda tem um longo caminho a percorrer antes de ser útil para os químicos computacionais.
Propriedades de previsão
Em princípio, a estrutura dos materiais e moléculas é inteiramente determinada pela mecânica quântica e, especificamente, pela equação de Schrödinger, que governa o comportamento das funções de onda do elétron. Esses são os dispositivos matemáticos que descrevem a probabilidade de encontrar um elétron específico em uma posição específica no espaço. Mas, como todos os elétrons interagem entre si, calcular a estrutura ou orbitais moleculares a partir desses primeiros princípios é um pesadelo computacional e pode ser feito apenas para as moléculas mais simples, como o benzeno, diz James Kirkpatrick, físico da DeepMind.
Para contornar esse problema, pesquisadores – de farmacologistas a engenheiros de bateria – cujo trabalho depende da descoberta ou do desenvolvimento de novas moléculas, por décadas, confiaram em um conjunto de técnicas chamadas teoria do funcional de densidade (DFT) para prever as propriedades físicas das moléculas. A teoria não tenta modelar elétrons individuais, mas em vez disso, visa calcular a distribuição geral da carga elétrica negativa dos elétrons através da molécula. “O DFT analisa a densidade média de carga, então não sabe o que são elétrons individuais”, diz Kirkpatrick. A maioria das propriedades da matéria pode então ser facilmente calculada a partir dessa densidade.
Desde o seu início na década de 1960, o DFT se tornou uma das técnicas mais amplamente utilizadas nas ciências físicas: uma investigação pela equipe de notícias da Nature em 2014 descobriu que, dos 100 artigos mais citados, 12 eram sobre DFT. Bancos de dados modernos de propriedades de materiais, como o Projeto de Materiais, consistem em grande parte em cálculos DFT.
Mas a abordagem tem limitações e é conhecida por dar resultados errados para certos tipos de moléculas, mesmo algumas tão simples como o cloreto de sódio. E embora os cálculos DFT sejam muito mais eficientes do que aqueles que partem da teoria quântica básica, eles ainda são incômodos e frequentemente requerem supercomputadores. Assim, na última década, os químicos teóricos começaram cada vez mais a fazer experiências com aprendizado de máquina, em particular para estudar propriedades como a reatividade química dos materiais ou sua capacidade de conduzir calor.
Problema ideal
A equipe DeepMind fez provavelmente a tentativa mais ambiciosa de implantar IA para calcular a densidade de elétrons, o resultado final dos cálculos DFT. “É uma espécie de problema ideal para o aprendizado de máquina: você sabe a resposta, mas não a fórmula que deseja aplicar”, diz Aron Cohen, um químico teórico que há muito trabalha com DFT e agora está na DeepMind.
A equipe treinou uma rede neural artificial com dados de 1.161 soluções precisas derivadas das equações de Schrödinger. Para melhorar a precisão, eles também conectaram algumas das leis conhecidas da física à rede. Em seguida, eles testaram o sistema treinado em um conjunto de moléculas que costumam ser usadas como referência para DFT, e os resultados foram impressionantes, diz von Lilienfeld. “Este é o melhor que a comunidade conseguiu apresentar e eles venceram por uma margem de manobra”, diz ele.
Uma vantagem do aprendizado de máquina, acrescenta von Lilienfeld, é que, embora seja necessário muito poder de computação para treinar os modelos, esse processo precisa ser feito apenas uma vez. As previsões individuais podem ser feitas em um laptop comum, reduzindo enormemente seu custo e pegada de carbono, em comparação com a necessidade de realizar os cálculos do zero todas as vezes.
Kirkpatrick e Cohen dizem que a DeepMind está lançando seu sistema treinado para qualquer pessoa usar. Por enquanto, o modelo se aplica principalmente a moléculas e não às estruturas cristalinas de materiais, mas versões futuras também podem funcionar para materiais, dizem os autores.
Publicado em 12/12/2021 20h20
Artigo original:
Estudo original: