Por que a água é mais densa em cerca de 4 graus Celsius? Por que o gelo flutua? Por que a água pesada tem um ponto de fusão diferente em comparação com a água normal? Por que os flocos de neve têm uma simetria sêxtupla? Um estudo colaborativo, liderado por pesquisadores da EPFL e recém-publicado no Proceedings of the National Academy of Sciences , fornece insights físicos sobre essas questões, combinando técnicas de aprendizado de máquina orientado por dados e mecânica quântica.

Os blocos de construção da maior parte da matéria observável são os elétrons e os núcleos. Seguindo as leis da mecânica quântica, seu comportamento pode ser descrito em termos de sua função de onda, uma espécie de nuvem difusa que está relacionada à probabilidade de observá-los em um determinado ponto e tempo. Resolvendo a equação de Schrodinger, é possível fazer modelos e previsões de qualquer material, incluindo água. Mas há um porém. Conforme o número de elétrons e núcleos aumenta, a complexidade envolvida logo se torna intratável, mesmo com os supercomputadores mais rápidos, apesar de um século de progresso celebrado na otimização de tais cálculos. Na verdade, cálculos da mecânica quântica ainda são inacessíveis para sistemas com mais do que algumas centenas de átomos, ou por um período de tempo superior a um nanossegundo.

Para superar essas limitações severas, os pesquisadores exploraram uma rede neural artificial (RNA) para aprender as interações atômicas da mecânica quântica. A arquitetura das RNAs pode ser representada como várias camadas de nós interconectados que imitam a estrutura dos neurônios em um cérebro humano. A RNA primeiro aprende as interações mecânicas quânticas entre os átomos, e então faz previsões rápidas sobre a energia e as forças de um sistema de átomos, contornando a necessidade de realizar cálculos de mecânica quântica caros.

Até aqui, tudo parece mais uma história de sucesso de aprendizado de máquina. Contudo, existem sutilezas. A RNA tem um erro residual em comparação com os cálculos reais da mecânica quântica:na maioria das vezes, introduz uma pequena quantidade de ruído, e às vezes dá um palpite - isso acontece quando uma entrada é muito diferente de qualquer coisa que já tenha aprendido.

Como evitar as armadilhas da ANN:Em vez de empregar a ANN sozinha para fazer previsões sobre um sistema de átomos, os pesquisadores o usaram como um modelo substituto. Em essência, propriedades de computação de materiais em uma temperatura finita geralmente envolve muitas etapas de computação, e as partes trabalhosas e repetitivas podem ser delegadas ao modelo substituto barato. Finalmente, a diferença entre o substituto e a verdade fundamental, que é a diferença entre a RNA e a mecânica quântica, pode ser contabilizado e subtraído das previsões finais.

Com essas técnicas, os pesquisadores foram capazes de reproduzir várias propriedades termodinâmicas da água a partir da mecânica quântica, incluindo a densidade do gelo e da água, a diferença na temperatura de derretimento para água normal e pesada, e a estabilidade de diferentes formas de gelo. Além disso, o estudo revela vários insights físicos sobre o que dá aos sistemas de gelo e água suas propriedades peculiares. Uma das descobertas mais notáveis ​​é que as flutuações quânticas nucleares, que envolvem a tendência de elementos leves como o hidrogênio se comportarem mais como uma nuvem difusa do que como uma partícula localizada, promovem o empacotamento hexagonal de moléculas dentro do gelo, o que, em última análise, leva à simetria sêxtupla dos flocos de neve.