No nível molecular, o vidro parece um líquido. Mas uma rede neural artificial captou a estrutura oculta de suas moléculas, o que pode explicar por que o vidro é rígido como um sólido.
A maioria dos materiais deriva suas propriedades macroscópicas de sua estrutura microscópica. Uma barra de aço é dura, por exemplo, porque seus átomos formam um padrão cristalino repetitivo que permanece estático ao longo do tempo. Molhe as peças ao redor do pé quando você o mergulha no lago, porque os fluidos não possuem essa estrutura; suas moléculas se movem aleatoriamente.
Depois, há o vidro, uma substância intermediária estranha que intriga os físicos há décadas. Tire uma foto das moléculas no vidro, e elas parecerão desordenadas como as de um líquido. Mas a maioria das moléculas mal se move, tornando o material rígido como um sólido.
O vidro é formado pelo resfriamento de certos líquidos. Mas por que as moléculas no líquido diminuem drasticamente a uma certa temperatura, sem uma mudança correspondente óbvia em seu arranjo estrutural – um fenômeno conhecido como transição vítrea – é uma grande questão em aberto.
Agora, os pesquisadores da DeepMind, uma empresa de inteligência artificial do Google, usaram a IA para estudar o que está acontecendo com as moléculas no vidro à medida que se endurece. A rede neural artificial do DeepMind foi capaz de prever como as moléculas se movem em escalas de tempo extremamente longas, usando apenas um “instantâneo” de seu arranjo físico em um momento no tempo. De acordo com Victor Bapst, do DeepMind, embora a estrutura microscópica de um copo pareça inexpressiva, “a estrutura talvez seja mais preditiva da dinâmica do que as pessoas pensavam”.
Peter Harrowell, que estuda a transição vítrea na Universidade de Sydney, concorda. Ele disse que o novo trabalho “apresenta um argumento mais forte” do que nunca no vidro, “a estrutura de alguma forma codifica a dinâmica” e, portanto, o vidro não é tão desordenado quanto um líquido.
Previsão de propensão
Para entender quais mudanças microscópicas causam a transição vítrea, os físicos precisam relacionar dois tipos de dados: como as moléculas de um copo são organizadas no espaço e como elas (lentamente) se movem ao longo do tempo. Uma maneira de vinculá-los é com uma quantidade chamada propensão dinâmica: quanto é provável que um conjunto de moléculas se mova em algum momento específico no futuro, dadas as posições atuais. Essa quantidade em evolução vem do cálculo das trajetórias das moléculas usando as leis de Newton, começando com muitas velocidades iniciais aleatórias diferentes e calculando a média dos resultados juntos.
Ao simular essa dinâmica molecular, os computadores podem gerar “mapas de propensão” para milhares de moléculas de vidro – mas apenas em escalas de tempo de trilionésimos de segundo. E as moléculas no vidro, por definição, movem-se extremamente lentamente. Computar sua propensão a um horizonte de segundos ou mais é “simplesmente impossível [para] computadores normais porque leva muito tempo”, disse Giulio Biroli, físico de matéria condensada da École Normale Supérieure na França.
Além disso, Biroli disse, apenas girar a manivela nessas simulações não produz muita percepção para os físicos sobre quais características estruturais, se houver, poderiam estar causando as propensões moleculares no vidro.
Os pesquisadores do DeepMind começaram a treinar um sistema de IA para prever propensões no vidro sem realmente executar as simulações e tentar entender de onde essas propensões vêm. Eles usaram um tipo especial de rede neural artificial que usa gráficos – coleções de nós conectados por linhas – como entrada. Cada nó no gráfico representa a posição tridimensional de uma molécula no vidro; linhas entre nós representam a distância entre as moléculas. Como as redes neurais “aprendem” alterando sua própria estrutura para refletir a estrutura de suas entradas, “a rede neural gráfica é muito adequada para representar a interação das partículas”, disse Bapst.
Bapst e seus colegas usaram os resultados das simulações para treinar seu sistema de IA: eles criaram um cubo virtual de vidro compreendendo 4.096 moléculas, simularam a evolução das moléculas com base em 400 posições iniciais únicas a várias temperaturas e calcularam as propensões das partículas em cada caso. Depois de treinar a rede neural para prever com precisão essas propensões, os pesquisadores alimentaram 400 configurações de partículas inéditas – “instantâneos” das configurações das moléculas de vidro – na rede treinada.
Usando apenas esses instantâneos estruturais, a rede neural previu as propensões das moléculas em diferentes temperaturas com precisão sem precedentes, atingindo 463 vezes mais no futuro do que o método de previsão de aprendizado de máquina de última geração.
Pistas Correlacionadas
De acordo com Biroli, a capacidade da rede neural DeepMind de prever os movimentos futuros das moléculas com base em um mero instantâneo de sua estrutura atual fornece uma nova maneira poderosa de explorar a dinâmica dos óculos e, potencialmente, outros materiais.
Mas que padrão a rede detectou nesses instantâneos para fazer suas previsões? O sistema não pode ser facilmente modificado com engenharia reversa para determinar o que aprendeu a prestar atenção durante o treinamento – um problema comum para os pesquisadores que tentam usar a IA para fazer ciência. Mas, neste caso, eles encontraram algumas pistas.
Segundo Agnieszka Grabska-Barwinska, membro da equipe, a rede neural gráfica aprendeu a codificar um padrão que os físicos chamam de comprimento de correlação. Ou seja, como a rede neural gráfica do DeepMind se reestruturou para refletir os dados do treinamento, ela exibiu a seguinte tendência: Ao prever propensões em temperaturas mais altas (onde o movimento molecular parece mais líquido do que sólido), para a previsão de cada nó, a rede dependia nas informações dos nós vizinhos a duas ou três conexões de distância no gráfico. Mas a temperaturas mais baixas, próximas à transição vítrea, esse número – o comprimento da correlação – aumentou para cinco.
“Vemos que a rede extrai, à medida que diminuímos a temperatura, informações de bairros cada vez maiores” de partículas, disse Thomas Keck, físico da equipe DeepMind. “A essas diferentes temperaturas, o vidro parece, a olho nu, apenas idêntico. Mas a rede vê algo diferente à medida que descemos.”
O aumento do comprimento de correlação é uma característica das transições de fase, nas quais as partículas passam de um arranjo desordenado para um arranjo ordenado ou vice-versa. Isso acontece, por exemplo, quando átomos de um bloco de ferro se alinham coletivamente para que o bloco se magnetize. À medida que o bloco se aproxima dessa transição, cada átomo influencia os átomos cada vez mais longe no bloco.
Para físicos como Biroli, a capacidade da rede neural de aprender sobre o comprimento da correlação e fatorá-lo em suas previsões sugere que alguma ordem oculta deve estar se desenvolvendo na estrutura do vidro durante a transição vítrea. Peter Wolynes, especialista em vidro da Universidade Rice, disse que o comprimento de correlação aprendido pela máquina fornece evidências de que os materiais “se aproximam de uma transição de fase termodinâmica” à medida que se tornam vítreos.
Ainda assim, o conhecimento adquirido pela rede neural não se traduz facilmente em novas equações. “Não podemos dizer: ‘Oh, na verdade, nossa rede está analisando essa correlação pela qual posso fornecer uma fórmula'”, disse Pushmeet Kohli, que chefia a equipe científica do DeepMind. Para alguns físicos do vidro, essa advertência limita a utilidade da rede neural gráfica. “Isso pode ser explicado em termos humanos?” disse Wolynes. “Isso eles não fizeram. Isso não significa que eles não possam fazer isso no futuro.”
Publicado em 10/07/2020 10h47
Artigo original:
Achou importante? Compartilhe!
Assine nossa newsletter e fique informado sobre Astrofísica, Biofísica, Geofísica e outras áreas. Preencha seu e-mail no espaço abaixo e clique em “OK”: