Conheça a inteligência artificial que aprendeu a resolver problemas da Mecânica Quântica

Para descrever um sistema quântico, muitas vezes é necessário solucionar equações diferenciais que descrevem interações de partículas. Essas equações podem ser extremamente complexas de resolver e há apenas uma solução numérica. Essas soluções são encontradas através de métodos numéricos que realizam iterações constantes. O grande problema é que essas iterações podem demorar muito tempo.

Quanto mais partículas, mais interações e mais efeitos desejados, aumenta a complexidade do sistema e consequentemente o tempo que leva para resolver. Além disso, na Mecânica Quântica, muitas vezes é necessário precisão alta que também aumenta o tempo. Outro problema é o custo computacional envolvido que leva à necessidade de clusters de computadores e até mesmo tornar a resolução de problemas inviável.

Com o avanço da inteligência artificial, muitos físicos e engenheiros tem investigado o uso de aprendizado de máquina para acelerar os cálculos. A ideia é utilizar dados já conhecidos para alimentar um modelo e fazê-lo aprender a resolver os sistemas através de reconhecimento de padrões. Um grupo de pesquisadores introduziu um modelo que consegue encontrar soluções para cálculo de teoria do funcional da densidade.

Cálculos da Mecânica Quântica

Um método usado na Mecânica Quântica para encontrar propriedades de elétrons em sistemas aticos é a teoria do funcional da densidade (DFT). Com essa técnica, a DFT trata de densidade dos elétrons em vez de tratar cada elétron separadamente. Isso contribui porque dessa forma não é necessário incluir cada interação separadamente, o que aumentaria o custo computacional e o tempo consideravelmente.

Apesar da DFT ser uma ferramenta importante na Mecânica Quântica, há desafios como encontrar a aproximação adequada que consiga descrever de forma precisa o sistema. Além disso, as iterações numéricas para resolver alguns problemas, principalmente em 3D, ainda necessitam de maior processamento para serem resolvidos. Por causa disso, novas formas de resolver as equações são necessárias.

Acelerando com uso de IA

Um novo método que surge é com a ajuda da inteligência artificial, mais especificamente, o aprendizado de máquina. A ideia é utilizar dados já obtidos de forma numérica para treinar um modelo que consiga resolver um problema sem resolver iterativamente que consome tempo e processamento. Ao aprender o padrão e saber mapear a função, o modelo treinado conseguiria agilizar o processo em milhares de vezes.

Um exemplo bastante comum é o uso de modelos que resolvem equações diferenciais parciais como no caso de dinâmica de fluidos e ondas. Esses modelos retornam soluções dessas equações com precisão e em tempo reduzido. Outro uso é justamente em acelerar os cálculos de DFT sendo possível testar diferentes configurações. Abrindo a porta para encontrar mais respostas para comprovar uma hipótese.

Visão Computacional

Na inteligência artificial, um campo importante é a visão computacional que permite que computadores analisem e processem imagens ou vídeos. Na visão computacional, um modelo pode ser treinado com matrizes de diferentes dimensões. Um tipo de rede neural muito utilizada com esse objetivo é a rede neural convolucional que aprende através de um processo chamado de convolução.

Uma rede muito utilizada é a chamada U-Net que é composta por redes convolucionais em formato de U. Cada parte do U representa uma região de compressão da imagem e a outra de expansão tentando diminuir o processamento. Há ligações entre cada região de forma a minimizar a perda de informação que acontece quando a imagem é reduzida. Além disso, a rede também pode ser alimentada com imagen 3D.

Modelo

Os pesquisadores, com objetivo de acelerar cálculo de DFT, usou informações sobre ligações químicas como o target do modelo. Com os dados de moléculas orgâncias, eles fizeram um processo de data augmentation onde incluíram rotações e deformações. Esse processo de data augmentation contribuiu para que o modelo pudesse reconhecer as propriedades em diferentes configurações.

O modelo então recebia essas informações das moléculas e o resultado era informações das ligações químicas encontradas nessas moléculas. O modelo que ficou chamado de DeepSCF foi testado usando sistemas mais complexos. O resultado foi surpreendente onde os cálculos foram acelerados consideravelmente abrindo uma porta no uso de inteligência artificial na Mecânica Quântica.

Referência da notícia:

Lee & Kim 2024 Convolutional network learning of self-consistent electron density via grid-projected atomic fingerprints npj Computational Materials