Uma equipe da Universidade de Princeton simulou com precisão as etapas iniciais da formação de gelo, aplicando inteligência artificial (IA) para resolver equações que governam o comportamento quântico de átomos e moléculas individuais.
A simulação resultante descreve como as moléculas de água se transformam em gelo sólido com precisão quântica. Esse nível de precisão, antes considerado inalcançável devido à quantidade de poder de computação que exigiria, tornou-se possível quando os pesquisadores incorporaram redes neurais profundas, uma forma de inteligência artificial, em seus métodos. O estudo foi publicado na revista Proceedings of the National Academy of Sciences.

"De certa forma, isso é como um sonho tornado realidade", disse Roberto Car, professor Ralph W de Princeton. . “Nossa esperança era que, eventualmente, pudéssemos estudar sistemas como este, mas não foi possível sem um maior desenvolvimento conceitual, e esse desenvolvimento veio por meio de um campo completamente diferente, o de inteligência artificial e ciência de dados”.

A capacidade de modelar as etapas iniciais no congelamento da água, um processo chamado nucleação de gelo, pode melhorar a precisão da modelagem do clima e do clima, bem como outros processamentos, como congelamento instantâneo de alimentos.

A nova abordagem permite que os pesquisadores acompanhem a atividade de centenas de milhares de átomos ao longo de períodos de tempo milhares de vezes mais longos, embora ainda apenas frações de segundo, do que nos primeiros estudos.

Car co-inventou a abordagem de usar as leis da mecânica quântica subjacentes para prever os movimentos físicos de átomos e moléculas. As leis da mecânica quântica ditam como os átomos se ligam uns aos outros para formar moléculas e como as moléculas se unem para formar objetos cotidianos.

Car e Michele Parrinello, um físico agora no Istituto Italiano di Tecnologia na Itália, publicaram sua abordagem, conhecida como dinâmica molecular "ab initio" (latim para "desde o início"), em um artigo inovador em 1985.

Mas os cálculos da mecânica quântica são complexos e exigem enormes quantidades de poder de computação. Na década de 1980, os computadores podiam simular apenas uma centena de átomos em intervalos de alguns trilionésimos de segundo. Avanços subsequentes na computação e o advento dos supercomputadores modernos aumentaram o número de átomos e o intervalo de tempo da simulação, mas o resultado ficou muito aquém do número de átomos necessários para observar processos complexos, como a nucleação de gelo.

A IA forneceu uma solução potencial atraente. Os pesquisadores treinam uma rede neural, nomeada por suas semelhanças com o funcionamento do cérebro humano, para reconhecer um número comparativamente pequeno de cálculos quânticos selecionados. Uma vez treinada, a rede neural pode calcular as forças entre os átomos que nunca viu antes com precisão mecânica quântica. Essa abordagem de "aprendizagem de máquina" já está em uso em aplicações cotidianas, como reconhecimento de voz e automóveis autônomos.

No caso da IA ​​aplicada à modelagem molecular, uma grande contribuição veio em 2018, quando o estudante de pós-graduação de Princeton Linfeng Zhang, trabalhando com o professor de matemática Car e Princeton Weinan E, encontrou uma maneira de aplicar redes neurais profundas para modelar forças interatômicas da mecânica quântica. Zhang, que obteve seu Ph.D. em 2020 e agora é cientista pesquisador do Instituto de Pesquisa de Big Data de Pequim, chamou a abordagem de "dinâmica molecular de potencial profundo".

No artigo atual, Car e o pesquisador de pós-doutorado Pablo Piaggi, juntamente com colegas, aplicaram essas técnicas ao desafio de simular a nucleação de gelo. Usando a dinâmica molecular de potencial profundo, eles foram capazes de executar simulações de até 300.000 átomos usando significativamente menos poder de computação, por períodos de tempo muito mais longos do que era possível anteriormente. Eles realizaram as simulações no Summit, um dos supercomputadores mais rápidos do mundo, localizado no Oak Ridge National Laboratory.

Este trabalho fornece um dos melhores estudos de nucleação de gelo, disse Pablo Debenedetti, reitor de pesquisa de Princeton e professor da classe de 1950 de engenharia e ciências aplicadas, e coautor do novo estudo.

"A nucleação de gelo é uma das principais quantidades desconhecidas nos modelos de previsão do tempo", disse Debenedetti. "Este é um passo bastante significativo porque vemos uma concordância muito boa com os experimentos. Conseguimos simular sistemas muito grandes, o que antes era impensável para cálculos quânticos."

Atualmente, os modelos climáticos obtêm estimativas de quão rápido o gelo se nuclea principalmente a partir de observações feitas em experimentos de laboratório, mas essas correlações são descritivas, não preditivas e válidas em uma faixa limitada de condições experimentais. Em contraste, simulações moleculares do tipo feito neste estudo podem produzir simulações que são preditivas de situações futuras e podem estimar a formação de gelo sob condições extremas de temperatura e pressão, como em outros planetas.

"A metodologia de potencial profundo usada em nosso estudo ajudará a realizar a promessa da dinâmica molecular ab initio para produzir previsões valiosas de fenômenos complexos, como reações químicas e o design de novos materiais", disse Athanassios Panagiotopoulos, professor de química Susan Dod Brown. e Engenharia Biológica e coautora do estudo.

“O fato de estarmos estudando fenômenos muito complexos das leis fundamentais da natureza, para mim, é muito emocionante”, disse Piaggi, o primeiro autor do estudo e pesquisador associado de pós-doutorado em química em Princeton. Piaggi obteve seu Ph.D. trabalhando com Parrinello no desenvolvimento de novas técnicas para estudar eventos raros, como nucleação, usando simulação computacional. Eventos raros ocorrem em escalas de tempo que são maiores do que os tempos de simulação que podem ser oferecidos, mesmo com a ajuda da IA, e técnicas especializadas são necessárias para acelerá-los.

Jack Weis, um estudante de pós-graduação em engenharia química e biológica, ajudou a aumentar a probabilidade de observar a nucleação "semeando" minúsculos cristais de gelo na simulação. "O objetivo da semeadura é aumentar a probabilidade de que a água forme cristais de gelo durante a simulação, permitindo-nos medir a taxa de nucleação", disse Weis, assessorado por Debenedetti e Panagiotopoulos.

As moléculas de água consistem em dois átomos de hidrogênio e um átomo de oxigênio. Os elétrons ao redor de cada átomo determinam como os átomos podem se ligar uns aos outros para formar moléculas.

"Começamos com a equação que descreve como os elétrons se comportam", disse Piaggi. "Os elétrons determinam como os átomos interagem, como eles formam ligações químicas e praticamente toda a química."

Os átomos podem existir literalmente em milhões de arranjos diferentes, disse Car, que é diretor do Centro de Química em Solução e do Interfaces, financiado pelo Departamento de Energia dos EUA, Escritório de Ciências e incluindo universidades regionais.

“A mágica é que, por causa de alguns princípios físicos, a máquina é capaz de extrapolar o que acontece em um número relativamente pequeno de configurações de uma pequena coleção de átomos para os inúmeros arranjos de um sistema muito maior”, disse Car.

Embora as abordagens de IA estejam disponíveis há alguns anos, os pesquisadores têm sido cautelosos ao aplicá-las aos cálculos de sistemas físicos, disse Piaggi. "Quando os algoritmos de aprendizado de máquina começaram a se tornar populares, grande parte da comunidade científica ficou cética, porque esses algoritmos são uma caixa preta. Os algoritmos de aprendizado de máquina não sabem nada sobre física, então por que os usaríamos?"

Nos últimos dois anos, no entanto, houve uma mudança significativa nessa atitude, disse Piaggi, não apenas porque os algoritmos funcionam, mas também porque os pesquisadores estão usando seus conhecimentos de física para informar os modelos de aprendizado de máquina.

Para a Car, é gratificante ver o trabalho iniciado há três décadas se concretizar. "O desenvolvimento veio por meio de algo que foi desenvolvido em um campo diferente, o da ciência de dados e da matemática aplicada", disse Car. "Ter esse tipo de interação cruzada entre diferentes campos é muito importante."

O estudo, "Nucleação homogênea de gelo em um modelo ab initio de aprendizado de máquina de água", de Pablo M. Piaggi, Jack Weis, Athanassios Z. Panagiotopoulos, Pablo G. Debenedetti e Roberto Car, foi publicado na revista Proceedings da Academia Nacional de Ciências a semana de 8 de agosto de 2022. + Explorar mais

Simulando infinitas partículas caóticas usando um computador quântico