Inteligência Artificial resolve equação de Schrödinger

0
746
Créditos: Imaginima / iStock.

Traduzido por Heitor Rodrigues
Publicado na Freie Universität Berlin

Um grupo de pesquisadores na Universidade Livre de Berlim desenvolveu um método que utiliza Inteligência Artificial para calcular o estado fundamental da equação de Schrödinger na química quântica. O objetivo da química quântica é predizer propriedades químicas e físicas de moléculas baseado unicamente no arranjo de seus átomos no espaço, evitando a necessidade de experimentos em laboratório que consomem muito tempo e recursos. Em princípio, isso pode ser alcançado resolvendo a equação de Schrödinger, mas na prática isso é extremamente difícil.

Até agora, é impossível encontrar uma solução exata para moléculas arbitrárias que podem ser computadas com eficiência. Mas o grupo da Universidade Livre desenvolveu um método de aprendizado profundo que pode alcançar uma combinação de acurácia e eficiência computacional sem precedentes. A Inteligência Artificial transformou várias áreas científicas e tecnológicas, da visão computacional à ciência dos materiais. “Nós acreditamos que a nossa abordagem possa impactar significativamente no futuro da química quântica”, diz o professor Frank Noé, que liderou o esforço da equipe. Os resultados foram publicados na conceituada revista Nature Chemistry.

Crucial tanto para química quântica como para a equação de Schrödinger é a função de onda — um objeto matemático que especifica completamente o comportamento dos elétrons em uma molécula. A função de onda é uma entidade de alta dimensão, logo é extremamente dificultoso capturar todas as nuances que codificam como os elétrons afetam os outros. Muitos métodos de química quântica de fato desistem de expressar a função de onda completamente, em vez disso somente tentam determinar a energia de uma dada molécula. Isso no entanto requer que aproximações sejam feitas, limitando a qualidade de predição de tais métodos.

Outros métodos representam a função de onda com um imenso número de blocos de construção matemáticos simples, mas tais métodos são tão complexos que são impossíveis de se colocar em prática por mais do que alguns átomos. “Escapar do conflito de escolha entre a acurácia e o custo computacional é a maior conquista da química quântica”, explica o Doutor Jan Hermann da Universidade Livre de Berlim, que projetou as características principais do método no estudo. “Por enquanto, o mais popular desses valores atípicos é a extremamente econômica teoria do funcional da densidade. Nós acreditamos que o ‘Monte Carlo Quântico’, a abordagem que estamos propondo, pode ser igual, isso se não mais bem-sucedida. A abordagem oferece uma acurácia sem precedentes com um custo computacional ainda aceitável”.

A rede neural profunda desenhada pela equipe do Professor Noé é uma nova forma de representar as funções de onda de elétrons. “Em vez da abordagem padrão de compor a função de onda através de componentes matemáticos relativamente simples, nós desenhamos uma rede neural artificial capaz de aprender padrões complexos de como elétrons são localizados ao redor do núcleo”, explica Noé. “Uma característica peculiar das funções de ondas eletrônicas é a sua assimetria. Quando dois elétrons são trocados, a função de onda deve mudar seu sinal. Nós tivemos que construir essa propriedade na arquitetura da rede neural para que a abordagem funcionasse” acrescenta Hermann. Esta característica, conhecida como “princípio da exclusão de Pauli” é o porquê dos autores chamarem seu método de “PauliNet”.

Além do princípio da exclusão de Pauli, funções de ondas eletrônicas também possuem outras propriedades físicas fundamentais, e grande parte do sucesso inovador do “PauliNet” é que ele integra essas propriedades na rede neural profunda, em vez de deixar com que o aprendizado profundo os descubra apenas observando os dados. “Construir a física fundamental na Inteligência Artificial é essencial para a sua habilidade em fazer previsões significativas no campo”, diz Noé. “É aqui que os cientistas podem fazer uma contribuição substancial à IA, e é exatamente no que meu grupo está focado em fazer”.

Ainda há muitos desafios a serem superados antes dos métodos de Hermann e Noé estarem prontos para aplicações industriais. “Essa ainda é uma pesquisa fundamental”, concordam os autores, “mas é uma abordagem nova para um problema antigo nas ciências moleculares e materiais e nós estamos animados com as possibilidades que ela abre”.