Um bom algoritmo de aprendizado de máquina é um poderoso acelerador de pesquisa. Emparelhe-o com uma simulação de computador e ele pode farejar atalhos matemáticos por meio do programa, impulsionando cientistas a insights mais rápidos sobre os efeitos de medicamentos em células ou o potencial de motores de foguete para enviar a humanidade a Marte e além.

Novas pesquisas estão colocando essa ferramenta nas mãos de cientistas ao redor do mundo. Em um artigo publicado recentemente no npj Computational Materials, uma equipe de pesquisadores do Sandia National Laboratories e da Brown University apresentou uma maneira universal de acelerar virtualmente qualquer tipo de simulação.

"Do ponto de vista do usuário, não há diferença entre executar sua ferramenta de simulação ou executar esta ferramenta de simulação acelerada. Ela fornece exatamente as mesmas previsões. A diferença é quanto tempo leva para obter esses resultados", disse Rémi Dingreville, da Sandia.

Dingreville e sua equipe executaram uma simulação para ciência de materiais 16 vezes mais rápido do que o normal com seu acelerador. E, mais importante, eles descreveram em seu artigo como ele pode facilmente acelerar programas de computador para pesquisa de mudanças climáticas, navegação de veículos autônomos ou aceleração de hardware.

"O potencial de generalizar nossa abordagem para diferentes sistemas pode levar a tecnologias mais eficientes e sustentáveis", disse Vivek Oommen, da Brown, primeiro autor do artigo.

Quando criança, Dingreville adorava ir rápido. Ele pedalava rápido, esquiava rápido e corria rápido. Ele até correu para ser o primeiro a terminar o dever de casa. Agora, como cientista, ele usa aprendizado de máquina para acelerar sua pesquisa. Em um projeto anterior, ele reformulou uma simulação para rodar 40.000 vezes mais rápido.

Embora uma aceleração de 16 vezes possa parecer modesta em comparação, Dingreville e a equipe enfatizam que seu trabalho mais recente pode ter um impacto muito maior porque beneficia virtualmente todos os campos da ciência. Não se limita a tipos específicos de problemas como outros aceleradores.

"Física, química, geoquímica, previsão do tempo — realmente não importa", disse Dingreville.

A equipe considera seu artigo um desafio aos pesquisadores para repensar fundamentalmente como eles projetam e usam simulações.

"Estou profundamente fascinado pelos desafios e potenciais de integrar métodos numéricos tradicionais com inteligência artificial para resolver problemas complexos em ciência de materiais", disse Oommen.

Enquanto o acelerador de simulação economiza tempo e dinheiro para pesquisas de rotina, ele também remove obstáculos para estudar fenômenos que normalmente não podem ser simulados. Tente modelar um evento que se desenrola lentamente, como derretimento glacial, e seu programa provavelmente levará muito tempo para ser útil.

"O estado atual da arte é que você tem que usar esses solucionadores numéricos diretos. Embora sejam precisos, eles são lentos", disse Dingreville.

A equipe espera que esta pesquisa seja a gênese de uma maneira moderna e comum para os cientistas realizarem simulações normalmente lentas.

"Olhando para o futuro, estou ansioso para ver como nossas metodologias podem ser aplicadas a outros problemas desafiadores em vários domínios, como energia, biotecnologia e ciência ambiental", disse Oommen.

"Eu adoraria ver isso aplicado em geociências", acrescentou Dingreville.