A empresa londrina Deepmind criou um algoritmo de machine learning – uma das facetas da inteligência artificial (IA) – para tentar resolver um dos problemas mais evidentes da química moderna: prever características de moléculas de forma precisa, com um mínimo de margem de erro.
A ideia vem sendo resumida como “o problema perfeito” para ser resolvido pela IA pois, segundo profissionais da química, é uma situação onde você já sabe a resposta, mas não sabe qual fórmula aplicar para chegar até ela.
Explicando: normalmente, químicos preveem as características moleculares por meio de uma técnica chamada “teoria funcional da densidade” (“DFT”, na sigla em inglês). Sua premissa é, basicamente, calcular a distribuição geral da carga negativa dos elétrons de uma molécula. A maioria das propriedades da matéria pode ser calculada dessa forma, mas esse método também pode resultar em alguns erros – moléculas simples, como cloreto de sódio, não batem com os resultados calculados sobre ela, por exemplo.
A outra opção seria calcular a posição e natureza de cada elétron dentro da molécula, uma tarefa que, apesar de bem mais exata que a DFT, exige a aplicação de preceitos da mecânica quântica e a equação de Schrödinger. Entretanto, como os elétrons estão sempre interagindo entre si, essa proposta hercúlea requer aplicações tecnológicas bastante poderosas, como supercomputadores, e só é vista nas moléculas mais simples, como o benzeno.
Aqui entra o trabalho da DeepMind: sob a liderança do químico teórico Aron Cohen, o time por trás do algoritmo conseguiu treinar uma rede neural com dados de 1161 soluções precisas que derivam da equação de Schrödinger, além de instalar leis da física dentro do código da própria rede para aprimorar a eficiência e precisão dos cálculos.
A partir daí, a IA química foi testada em comparação a diversas moléculas que normalmente são usadas como “prova” (benchmark) para o cálculo feito em DFT, e os resultados foram, segundo Anatole von Lilienfeld, cientista de materiais da Universidade de Viena (não envolvido no estudo), “impressionantes”: “esse é o melhor [método] que a comunidade conseguiu criar, e ele venceu [o sistema tradicional] por muito pouco”, disse o especialista.
Segundo Lilienfield, o processamento necessário para usar este método de IA na química é quase o mesmo visto na mecânica quântica. Entretanto, há a vantagem de que, no processo de machine learning, esse poderio só será necessário no primeiro cálculo, pois o algoritmo já terá “aprendido” a sua realização para experimentos futuros.
Evidentemente, o novo sistema ainda está longe das aplicações práticas e mais testes se fazem necessários. Contudo, os especialistas parecem ter recebido a novidade com sorrisos: Katarzyna Pernal, uma química computacional baseada na Universidade Tecnológica da Polônia, chamou o processo de “um trabalho sólido”.
O time da DeepMind agora está buscando mais formas de treinar a IA química, para que novos cálculos sejam aprendidos por ela e, prontamente, sejam aplicados de forma mais segura e precisa.
O estudo com os detalhes do desenvolvimento foram publicados na edição mais recente da Science.
