CC0
Uma equipa de cientistas da Freie Universitat Berlin desenvolveu um método de inteligência artificial para calcular o estado fundamental da equação de Schrodinger em química quântica.
O objetivo da química quântica é prever as propriedades químicas e físicas das moléculas com base nos seus átomos no espaço, evitando a necessidade de experiências de laboratório que consomem muito mais recursos e tempo. Em princípio, o novo método pode ter alcançado a resolução da equação de Schrödinger, mas na prática isso é extremamente difícil.
Até agora, foi impossível encontrar uma solução exata para moléculas arbitrárias que podem ser calculadas com eficiência. Porém, a equipa da Freie Universität desenvolveu um método de aprendizagem profundo que pode alcançar uma combinação de precisão e eficiência computacional.
A Inteligência Artificial tem vindo a transformar muitas áreas tecnológicas e científicas, da visão computacional à ciência dos materiais. “Acreditamos que a nossa abordagem pode impactar significativamente o futuro da química quântica“, disse Frank Noé, autor principal do estudo. Os resultados foram publicados na revista Nature Chemistry.
Uma das coisas fundamentais em química quântica e na equação de Schrödinger, é a função de onda – um objeto matemático que especifica o comportamento dos eletrões presentes numa molécula, recorda o Phys. A função de onda é uma entidade de alta dimensão e, portanto, é extremamente difícil capturar todas as nuances que codificam de que forma os eletrões individuais se ligam entre si.
Vários métodos de química quântica desistem de expressar a função de onda por completo, em vez de tentar apenas determinar a energia de uma dada molécula. No entanto, isso requer que sejam feitas aproximações, limitando a qualidade de previsão de tais métodos.
Outros métodos representam a função de onda com o uso de um número imenso de blocos de construção matemáticos simples, mas estes métodos são tão complexos que são impossíveis de colocar em prática com muitos átomos.
“Escapar do trade-off entre precisão e custo computacional é a maior conquista da química quântica”, explica Jan Hermann da Freie Universität Berlin.
O especialista refere que “por enquanto, o mais popular desses valores é a teoria funcional da densidade extremamente económico. Acreditamos que o “Quantum Monte Carlo”, a abordagem que estamos a propor, poderia ser igualmente, se não mais bem-sucedida, pois oferece precisão com um custo computacional aceitável”.
A rede neural profunda projetada pela equipa do professor Noé é uma nova maneira de representar as funções de onda dos eletrões. “Em vez da abordagem padrão de compor a função de onda a partir de componentes matemáticos relativamente simples, pensamos numa rede neural artificial capaz de aprender os padrões complexos de como os eletrões estão localizados ao redor dos núcleos”, explica o autor do estudo.
“Uma característica peculiar das funções de onda eletrónica é a sua antissimetria. Quando dois eletrões são trocados, a função da onda deve mudar o seu sinal. Tivemos que construir essa propriedade na arquitetura da rede neural para que a abordagem funcionasse”, acrescenta Hermann. Esse recurso, conhecido como “princípio de exclusão de Pauli”, é o motivo pelo qual os autores chamaram o novo método de “PauliNet”.
Além do princípio de exclusão de Pauli, as funções de onda eletrónica também têm outras propriedades físicas fundamentais, e muito do sucesso inovador do PauliNet deve-se ao facto de este integrar estas propriedades na rede neural profunda, em vez de permitir que a aprendizagem as solucione observando apenas os dados.
Frank Noé sustenta que “construir a física fundamental na IA é essencial para a capacidade de fazer previsões significativas no campo. É aqui que os cientistas podem dar uma contribuição substancial à IA e é exatamente no que estamos focados”.
No entanto, o estudo refere que ainda há muitos desafios a serem superados antes que o método de Hermann e Noé esteja pronto para aplicação industrial.
