Uma equipe de cientistas da Freie Universität Berlin desenvolveu um método de Inteligência Artificial (IA) que fornece uma solução fundamentalmente nova para o "problema de amostragem" em física estatística. O problema da amostragem é que propriedades importantes de materiais e moléculas praticamente não podem ser calculadas simulando diretamente o movimento dos átomos no computador porque as capacidades computacionais necessárias são muito vastas, mesmo para supercomputadores. A equipe desenvolveu um método de aprendizado profundo que acelera esses cálculos massivamente, tornando-os viáveis ​​para aplicações anteriormente intratáveis. "A IA está mudando todas as áreas da nossa vida, incluindo a forma como fazemos ciência, "explica o Dr. Frank Noé, professora da Freie Universität Berlin e principal autora do estudo. Vários anos atrás, os chamados métodos de aprendizagem profunda superaram os especialistas humanos em reconhecimento de padrões - seja a leitura de textos manuscritos ou o reconhecimento de células cancerosas a partir de imagens médicas. "Desde essas descobertas, A pesquisa em IA disparou. Todos os dias, vemos novos desenvolvimentos em áreas de aplicação onde os métodos tradicionais nos deixaram paralisados ​​por anos. Acreditamos que nossa abordagem pode ser um grande avanço para o campo da física estatística. "Os resultados foram publicados em Ciência .

A Física Estatística visa o cálculo de propriedades de materiais ou moléculas com base nas interações de seus componentes constituintes - seja a temperatura de fusão de um metal, ou se um antibiótico pode se ligar às moléculas de uma bactéria e, assim, desativá-la. Com métodos estatísticos, tais propriedades podem ser calculadas no computador, e as propriedades do material ou a eficiência de um medicamento específico podem ser melhoradas. Um dos principais problemas ao fazer este cálculo é o vasto custo computacional, explica Simon Olsson, um co-autor do estudo:"Em princípio, teríamos que considerar cada estrutura individual, isso significa todas as maneiras de posicionar todos os átomos no espaço, calcule sua probabilidade, e, em seguida, calcule a média. Mas isso é impossível porque o número de estruturas possíveis é astronomicamente grande, mesmo para moléculas pequenas. Portanto, a abordagem usual é simular o movimento dinâmico e as flutuações das moléculas, e, assim, amostrar apenas as estruturas que são muito prováveis ​​de ocorrer. Infelizmente, essas simulações costumam ser tão caras do ponto de vista computacional que não podem ser feitas nem mesmo em supercomputadores - esse é o problema de amostragem. "

O método de IA da equipe do Prof. Noé é uma abordagem completamente nova para o problema de amostragem. "Em vez de simular o movimento das moléculas em pequenos passos, encontramos as estruturas de alta probabilidade diretamente, e deixar para trás o número muito maior de estruturas de baixa probabilidade. Depois disso, os cálculos são muito baratos, "explica Noé, "Os métodos de IA são essenciais para que essa abordagem funcione." Jonas Köhler, outro co-autor do estudo e especialista em métodos de aprendizado de máquina, explica a abordagem com um exemplo:"Imagine que você coloque uma gota de tinta em uma banheira cheia de água. A gota de tinta se separa e se mistura com a água. Agora queremos encontrar as moléculas de tinta. Se fizermos isso selecionando moléculas aleatoriamente da banheira, isso seria muito ineficiente - teríamos que esvaziar o recipiente completamente para encontrar toda a tinta. Em vez de, usando IA, aprendemos o fluxo de água que distribui a tinta ao longo do tempo com uma rede neural invertível. Com essa rede, podemos inverter o fluxo, basicamente inverter o tempo, e encontrar todas as moléculas de tinta na gota com a qual começamos, sem ter que vasculhar o resto da banheira. "

Ainda existem muitos desafios a serem resolvidos antes que o método da equipe de Noé esteja pronto para aplicações industriais. "Esta é a pesquisa básica, "Noé explica, "mas é uma abordagem completamente nova para um problema antigo que abre a porta para muitos novos desenvolvimentos, e estamos ansiosos para vê-los nos próximos anos. "