A inteligência artificial está a tornar-se uma ferramenta fundamental na investigação química, oferecendo novos métodos para enfrentar desafios complexos com os quais as abordagens tradicionais enfrentam dificuldades. Um subtipo de inteligência artificial que tem sido cada vez mais utilizado na química é o aprendizado de máquina, que utiliza algoritmos e modelos estatísticos para tomar decisões com base em dados e executar tarefas para as quais não foi explicitamente programado.



No entanto, para fazer previsões fiáveis, a aprendizagem automática também exige grandes quantidades de dados, que nem sempre estão disponíveis na investigação química. Pequenos conjuntos de dados químicos simplesmente não fornecem informações suficientes para o treinamento desses algoritmos, o que limita sua eficácia.

Cientistas da equipe de Berend Smit da EPFL encontraram uma solução em grandes modelos de linguagem como o GPT-3. Esses modelos são pré-treinados em grandes quantidades de textos e são conhecidos por suas amplas capacidades de compreensão e geração de textos semelhantes aos humanos. GPT-3 forma a base da inteligência artificial mais popular ChatGPT.

O estudo, publicado na Nature Machine Intelligence , revela uma nova abordagem que simplifica significativamente a análise química usando inteligência artificial. Ao contrário do ceticismo inicial, o método não faz perguntas diretas sobre a química do GPT-3.

“O GPT-3 não viu a maior parte da literatura química, então se fizermos uma pergunta química ao ChatGPT, as respostas são normalmente limitadas ao que podemos encontrar na Wikipedia”, diz Kevin Jablonka, o principal pesquisador do estudo.

“Em vez disso, ajustamos o GPT-3 com um pequeno conjunto de dados convertido em perguntas e respostas, criando um novo modelo capaz de fornecer informações químicas precisas”.

Este processo envolve alimentar o GPT-3 com uma lista selecionada de perguntas e respostas. “Por exemplo, para ligas de alta entropia, é importante saber se uma liga ocorre em uma única fase ou tem múltiplas fases”, diz Smit. "A lista selecionada de perguntas e respostas é do tipo:Q ='O (nome da liga de alta entropia) é monofásico?' A='Sim/Não.'"

Ele continua:"Na literatura, encontramos muitas ligas cujas respostas são conhecidas e usamos esses dados para ajustar o GPT-3. O que obtemos de volta é um modelo de IA refinado que é treinado para responder apenas a esta pergunta com um sim ou não."

Nos testes, o modelo, treinado com relativamente poucas perguntas e respostas, respondeu corretamente a mais de 95% dos mais diversos problemas químicos, muitas vezes superando a precisão dos modelos de aprendizado de máquina de última geração. “A questão é que isso é tão fácil quanto fazer uma pesquisa bibliográfica, o que funciona para muitos problemas químicos”, diz Smit.

Um dos aspectos mais marcantes deste estudo é sua simplicidade e rapidez. Os modelos tradicionais de aprendizado de máquina levam meses para serem desenvolvidos e exigem amplo conhecimento. Por outro lado, a abordagem desenvolvida por Jablonka leva cinco minutos e não requer nenhum conhecimento.

As implicações do estudo são profundas. Apresenta um método tão fácil quanto realizar uma pesquisa bibliográfica, aplicável a vários problemas químicos. A capacidade de formular perguntas como "O rendimento de um [produto químico] feito com esta (receita) é alto?" e receber respostas precisas pode revolucionar a forma como a pesquisa química é planejada e realizada.

No artigo, os autores dizem:"Ao lado de uma pesquisa bibliográfica, consultar um modelo fundamental (por exemplo, GPT-3,4) pode se tornar uma forma rotineira de iniciar um projeto, aproveitando o conhecimento coletivo codificado nesses modelos fundamentais." Ou, como Smit diz sucintamente:“Isso vai mudar a maneira como fazemos química”.

Mais informações: Kevin Maik Jablonka, GPT é tudo que você precisa para descoberta de poucos dados em química?, Nature Machine Intelligence (2024). DOI:10.1038/s42256-023-00788-1
Informações do diário: Inteligência da Máquina da Natureza

Fornecido pela École Polytechnique Federale de Lausanne