Em seu artigo publicado na Science em dezembro de 2021, uma equipe da DeepMind mostrou como as redes neurais podem ser usadas para descrever interações eletrônicas em sistemas químicos com mais precisão do que os métodos existentes. Uma equipe de pesquisadores da Skoltech, Instituto Zelinsky de Química Orgânica, Universidade HSE, Yandex e Universidade Nacional Kyungpook mostram em seu comentário em Ciência que a capacidade da DeepMind AI de generalizar o comportamento de tais sistemas não decorre dos resultados publicados e requer revisão.
Saber onde os elétrons estão dentro de uma molécula pode ajudar bastante a explicar sua estrutura, suas propriedades e sua reatividade. Os químicos usam métodos da teoria do funcional da densidade (DFT), aproximações da equação de Schrödinger, para fazer modelos precisos e computacionalmente eficientes de moléculas e materiais. Mas existem circunstâncias bem conhecidas em que as ferramentas DFT falham. Uma é prever como os átomos compartilham elétrons; em um exemplo famoso, os métodos DFT predizem incorretamente que, mesmo quando um átomo de cloro e um átomo de sódio estão infinitamente distantes, o átomo de cloro retém uma fração de um dos elétrons do átomo de sódio.

Erros como esse surgem porque as equações DFT são apenas aproximações da realidade física. Pesquisadores do projeto de aprendizado de máquina DeepMind dizem que sua rede neural elimina esse erro de parte de um elétron e faz previsões mais precisas do que os métodos tradicionais de DFT

"Em sua essência, DFT é um método para resolver a equação de Schrödinger. Sua precisão é determinada por sua parte de correlação de troca, que é, infelizmente, desconhecida. Até o momento, foram propostas mais de 400 aproximações distintas para essa parte", diz Petr Zhyliaev , pesquisador sênior da Skoltech.

"Uma maneira de construir uma boa parte de correlação de troca é transferir informações sobre ela de métodos numéricos mais 'avançados' do que a teoria do funcional da densidade, que são, no entanto, ordens de magnitude menos eficientes computacionalmente. network como um interpolador universal para aprender a parte de correlação de troca do funcional. Sua tentativa não foi a primeira de longe, mas é uma das mais ambiciosas."

A DeepMind construiu um funcional de densidade baseado em rede neural designado como DM21, treinado em sistemas de elétrons fracionários, como um átomo de hidrogênio com meio elétron. Para provar sua superioridade, os autores testaram o DM21 em um conjunto de dímeros esticados (chamado conjunto BBB), por exemplo, dois átomos de hidrogênio a uma grande distância com um total de um elétron.

Espera-se que o funcional DM21 apresente um excelente desempenho no conjunto de teste BBB, superando de longe todos os funcionais clássicos testados de DFT e DM21m, treinados de forma idêntica ao DM21, mas sem os sistemas de elétrons fracionários no conjunto de treinamento.

Embora isso possa parecer que o DM21 entendeu a física por trás dos sistemas de elétrons fracionários, um olhar mais atento mostra que todos os dímeros no conjunto BBB se tornam muito semelhantes aos sistemas no conjunto de trens. De fato, em virtude da localidade das interações eletrofracas, as interações atômicas são fortes apenas em distâncias curtas, fora das quais os dois átomos se comportam essencialmente como se não estivessem interagindo (veja a figura acima).

"De certa forma, as redes neurais são como os humanos:preferem obter a resposta certa pelo motivo errado, e depois o contrário. Portanto, não é tão difícil treinar uma rede neural, mas provar que ela aprendeu as leis da física em vez de memorizar as respostas certas. Testar uma rede neural em sistemas que viu durante o treinamento é como examinar um estudante com uma tarefa que ele viu o professor resolver há apenas cinco minutos", explica Michael Medvedev, líder do Grupo de Química Teórica do Instituto Zelinsky de Química Orgânica da Academia Russa de Ciências.

Assim, o conjunto de teste BBB não é adequado:ele não testa a compreensão do DM21 dos sistemas de elétrons fracionários:o DM21 pode facilmente se safar da memorização. Uma análise minuciosa das outras quatro evidências de manuseio de DM21 de tais sistemas também não levou a uma conclusão decisiva:apenas sua boa precisão no conjunto SIE4x4 pode ser ‌confiável, embora mesmo aí uma clara tendência de crescimento de erros com a distância sugira que O DM21 não está completamente isento de problemas com sistemas de elétrons fracionários.

O uso de sistemas de elétrons fracionários no conjunto de treinamento não é a única novidade no trabalho da DeepMind. Sua ideia de introduzir as restrições físicas em uma rede neural por meio do conjunto de treinamento, bem como a abordagem para impor sentido físico por meio do treinamento no potencial químico correto, provavelmente será amplamente utilizada na construção de funcionais DFT de redes neurais no futuro. + Explorar mais

Simulando matéria em nanoescala com IA