Pesquisadores da Universidade de Luxemburgo, Technische Universität Berlin, e o Fritz Haber Institute da Max Planck Society combinaram o aprendizado de máquina e a mecânica quântica para prever a dinâmica e as interações atômicas nas moléculas. A nova abordagem permite um grau de precisão e eficiência que nunca foi alcançado antes.

Simulações de dinâmica molecular são usadas em ciências naturais e materiais para prever as propriedades e o comportamento de diferentes materiais. No passado, essas simulações foram geralmente baseadas em modelos mecanicistas que são incapazes de integrar importantes percepções da mecânica quântica. Este trabalho agora publicado em Nature Communications melhora substancialmente as capacidades de previsão da modelagem atomística moderna em química, biologia, e as ciências materiais.

Conhecimento exato sobre a dinâmica molecular de uma substância, em outras palavras, o conhecimento preciso dos possíveis estados e interações de átomos individuais em uma molécula, nos permite não apenas compreender muitas reações químicas e físicas, mas também fazer uso delas. "As técnicas de aprendizado de máquina alteraram drasticamente o trabalho em muitas disciplinas, mas até agora, pouco uso tem sido feito deles em simulações de dinâmica molecular, "diz Klaus-Robert Müller, Professor de aprendizado de máquina na TU Berlin. O problema:a maioria dos algoritmos padrão foi desenvolvida com o entendimento de que a quantidade de dados a serem processados ​​não é relevante. "Isso não se aplica, Contudo, para cálculos mecânicos quânticos precisos de uma molécula, onde cada ponto de dados é crucial e o cálculo individual para moléculas maiores pode levar várias semanas ou até meses. Os enormes recursos computacionais necessários para fazer isso significam que simulações precisas de dinâmica molecular não foram possíveis até o momento, "explica Alexandre Tkatchenko, professor de física química teórica na Universidade de Luxemburgo.

É exatamente esse problema que os pesquisadores resolveram integrando as leis da física às técnicas de aprendizado de máquina. "O truque consiste em não calcular todos os possíveis estados possíveis da dinâmica molecular com técnicas de aprendizado de máquina, mas sim apenas aqueles que não resultam de leis físicas conhecidas ou da aplicação de operações de simetria ", explica o professor Alexandre Tkatchenko.

Por um lado, os algoritmos desenvolvidos recentemente usam simetrias matemáticas naturais dentro das moléculas. Entre as coisas que reconhecem estão eixos de simetria que não alteram as características físicas da molécula. Como resultado, esses pontos de dados precisam ser calculados apenas uma vez, ao invés de várias vezes, o que reduz bastante a complexidade do cálculo. Adicionalmente, as técnicas de aprendizagem usam a lei física da conservação de energia.

Por meio dessa abordagem inovadora de permitir que as técnicas de aprendizado de máquina empregadas "incorporem" leis físicas antes de aprender a calcular a dinâmica molecular, a equipe de pesquisa conseguiu conciliar os dois aspectos contraditórios de alta precisão e eficiência de dados. "Esses algoritmos especiais permitem que o processo se concentre nos problemas complexos da simulação, em vez de usar o desempenho do computador para a reconstrução de relacionamentos triviais entre pontos de dados. Como tal, esta pesquisa demonstra o grande potencial de combinar IA e química ou outras ciências naturais ", Klaus-Robert Müller diz:explicando a importância do projeto.