Que benefícios a inteligência artificial (IA) adiciona ao campo da tecnologia quântica que outras ferramentas não agregam?
A tecnologia quântica promete revolucionar muitos aspectos da vida. No entanto, precisaremos empregar muitas tecnologias de suporte para realizar todo o seu potencial, sendo a IA particularmente importante entre elas. No campo da descoberta de medicamentos, esperamos que a computação quântica ajude a resolver problemas atualmente intratáveis que impedem a descoberta de medicamentos melhores e mais seguros para mais doenças. No entanto, só seremos capazes de aproveitar os poderosos recursos da computação quântica para a descoberta de drogas se pudermos incorporá-los em um pipeline baseado em IA.
Na descoberta de medicamentos, seguimos um caminho bem estabelecido para encontrar os melhores candidatos para um novo medicamento. A primeira etapa é a modelagem computacional para selecionar candidatos a medicamentos com uma variedade de propriedades alvo. Em seguida, fabricamos os poucos candidatos mais promissores. A terceira etapa envolve testar experimentalmente os candidatos para determinar se eles realmente possuem as propriedades de destino. Essas etapas são então repetidas até que seja confirmado que um candidato possui as propriedades de destino. Embora eficaz, esse processo é extremamente lento e caro. Na verdade, leva uma média de US $ 2,6 bilhões e 10 anos para levar um único medicamento ao mercado, em grande parte porque esse processo precisa ser repetido com tanta frequência devido à nossa incapacidade de identificar candidatos a medicamentos de alta qualidade que tenham as propriedades necessárias na primeira etapa deste processo.
Então, por que os métodos computacionais em nossa modelagem tantas vezes falham em produzir candidatos que podem passar com sucesso pelas etapas subsequentes? O sucesso e o fracasso dessa modelagem são baseados em dois critérios principais: precisão de previsão e velocidade de triagem. Quando se trata do primeiro, precisamos predizer as propriedades de cada candidato a medicamento com certo grau de precisão, para entender como cada candidato se comportará no corpo humano.
Os métodos de química computacional atuais modelam como uma droga irá interagir com um alvo no corpo, calculando essas interações classicamente quando, na verdade, as drogas candidatas são governadas pelas leis da mecânica quântica. O que isso significa é que as previsões dos métodos de química computacional são frequentemente altamente imprecisas. Esta é uma área em que os computadores quânticos são muito promissores, pois nos permitirão modelar as interações dos candidatos com os alvos no corpo humano usando cálculos da mecânica quântica, que são extremamente precisos.
A outra contrapartida crítica para a precisão da previsão é a velocidade com que somos capazes de rastrear candidatos a drogas. Na primeira etapa do processo de descoberta de medicamentos, os métodos computacionais precisam rastrear muitos candidatos. Em um mundo ideal, seríamos capazes de selecionar bilhões de candidatos muito rapidamente, modelando cada um em alguns milissegundos, avaliando assim um grande volume de candidatos em questão de dias. Infelizmente, nenhum computador quântico ou método de química computacional clássico que calcula as interações será rápido o suficiente para atingir tal velocidade. É aqui que o aprendizado de máquina e a IA se tornam extremamente importantes e valiosos. Com a IA, podemos pegar alguns candidatos, avaliar suas propriedades seletivamente e, em seguida, treinar um modelo para prever as propriedades de todos os candidatos restantes, o que nos permite filtrar grandes volumes de candidatos em alta velocidade.
Quais são as desvantagens de usar IA?
Não conhecemos nenhuma desvantagem óbvia no uso de IA em combinação com a computação quântica, quando se trata da descoberta e desenvolvimento de novos medicamentos. No entanto, combinar as duas tecnologias na prática é um empreendimento complicado que requer equipes diversas e multidisciplinares de cientistas trabalhando em conjunto para serem capazes de integrar perfeitamente as duas tecnologias.
Embora o processo de quatro etapas descrito acima pareça simples, existem inúmeras complexidades adicionais que precisam ser levadas em consideração, como aquelas inerentes à coleta e ao trabalho com dados experimentais. A IA oferece mais benefícios aqui, permitindo a coleta de dados de maior qualidade, o que, por sua vez, permite o treinamento de outros modelos de IA com menores quantidades de dados. A automação com IA pode permitir uma coleta de dados mais barata e confiável.
Como você usa IA em sua pesquisa?
Na Rahko, trabalhamos na interseção de IA, computação quântica e química computacional. Estamos construindo um pipeline de descoberta de drogas quânticas para superar os principais desafios descritos acima. Ao contrário das abordagens padrão de aprendizado profundo, os modelos de IA que estamos desenvolvendo são altamente especializados para descoberta. Os métodos de aprendizado profundo e, de forma mais geral, as redes neurais, têm sido extremamente bem-sucedidos em áreas como reconhecimento de imagem, onde os dados são abundantes. No entanto, devido à natureza do problema na descoberta de medicamentos, lidamos com muito poucos dados, sendo a obtenção de mais dados muito cara ou simplesmente impossível de obter.
Em cenários como este, em que temos poucos dados, as redes neurais não conseguem fazer boas previsões, pois não há dados suficientes para treiná-las. É aqui que nossa equipe da Rahko se destaca. Incorporamos as leis da mecânica quântica em nossos métodos de aprendizado de máquina quântica, por exemplo, na maneira como representamos os dados. Dessa forma, podemos contar com quantidades mínimas de dados para fazer boas previsões que também se generalizam para muitos outros candidatos no processo de seleção.
Isso é particularmente importante ao combinar IA com computação quântica, pois os computadores quânticos serão caros para sistemas maiores e, portanto, precisaremos ser seletivos ao executar esses cálculos de alta precisão. Incorporar cálculos de mecânica quântica em nossa estrutura baseada em IA nos permite maximizar a utilidade de cada cálculo individual que executamos em um computador quântico.
Em que áreas específicas da tecnologia quântica a IA será mais útil e mais crucial para avançar?
As sinergias entre os computadores quânticos e a IA terão o benefício mais óbvio para a descoberta de drogas e outros materiais. Aqui, é crucial combinar cálculos de mecânica quântica altamente precisos, mas ainda caros, com IA, a fim de ser capaz de rastrear bilhões de possíveis candidatos para identificar os mais promissores. A simulação química também é amplamente considerada uma das primeiras áreas nas quais a computação quântica terá um impacto poderoso, uma vez que as máquinas atinjam uma escala suficiente.
Outra área de potencial significativo é a correção de erros em computadores quânticos, o que pode nos permitir acelerar a ampla disponibilidade de computadores quânticos em escala suficiente para aplicações práticas e úteis. Demonstrou-se que a IA para correção e mitigação de erros quânticos corrige e aprende uma variedade de erros nos computadores quânticos atuais. Nossa equipe está trabalhando ativamente nessa área em parceria com empresas de hardware de computação quântica e industrial para testar e compreender as capacidades da IA para correção de erros (arXiv: 1912.10063).
Publicado em 08/05/2021 17h22
Artigo original:
Estudo original: