A química qua¢ntica, o estudo das propriedades químicas e processos em escala qua¢ntica, abriu muitos caminhos para a pesquisa e descoberta na química moderna. Sem nunca manusear um copo ou tubo de ensaio, os químicos podem fazer previsaµes sobre as propriedades de um determinado a¡tomo ou molanãcula e como ele passara¡ por reações químicas estudando sua estrutura eletra´nica - como seus elanãtrons estãodispostos em orbitais - e como esses elanãtrons interagem com aqueles de outros compostos ou a¡tomos.

No entanto, por mais poderosa que a química qua¢ntica tenha se mostrado, ela também tem uma grande desvantagem: ca¡lculos precisos consomem muitos recursos e consomem tempo, com estudos químicos de rotina envolvendo ca¡lculos que levam dias ou mais.

Agora, graças a uma nova ferramenta de química qua¢ntica que usa aprendizado de ma¡quina, os ca¡lculos da química qua¢ntica podem ser realizados 1.000 vezes mais rápido do que antes, permitindo que pesquisas precisas em química qua¢ntica sejam realizadas mais rápido do que nunca.

A ferramenta, batizada de OrbNet, foi desenvolvida por meio de uma parceria entre Tom Miller , da Caltech , professor de química, e Anima Anandkumar , professor de Ciências da Computação e Matema¡tica de Bren.

"Na química qua¢ntica, háuma interação punitiva entre a precisão do ca¡lculo e o tempo que leva", diz Miller. “Vocaª comea§aria um ca¡lculo e diria: 'Bem, nos vemos na tera§a.' Mas agora, os ca¡lculos podem ser feitos de forma interativa. "

A OrbNet usa uma rede neural de grafos, um tipo de sistema de aprendizado de ma¡quina que representa informações como "nós", que contem dados, e "bordas", que representam as maneiras como esses blocos de dados estãorelacionados entre si.

Miller diz que a OrbNet funciona tão bem devido a uma inovação na forma como os a¡tomos e moléculas são mapeados para a rede neural de grafos que ébaseada na equação de Schra¶dinger, um elemento matema¡tico central para a meca¢nica qua¢ntica.

“As arquiteturas de grafos anteriores organizaram os a¡tomos como nose as ligações entre os a¡tomos como arestas, mas não éassim que a química qua¢ntica pensa a respeito”, diz ele. "Então, em vez disso, construa­mos um gra¡fico onde os nossão os orbitais de elanãtrons e as bordas são as interações entre os orbitais. Isso tem uma conexão muito mais natural com a equação de Schra¶dinger."

Como todos os sistemas de aprendizado de ma¡quina, o OrbNet precisa ser treinado para executar uma tarefa atribua­da, semelhante a como uma pessoa que consegue um novo emprego precisa ser treinada para isso. OrbNet aprendeu a prever propriedades moleculares com base em ca¡lculos de meca¢nica qua¢ntica de referaªncia precisos. Anandkumar, cuja pesquisa se concentra no aprendizado de ma¡quina, ajudou a projetar e otimizar a implementação da rede neural de grafos.

"Orbnet éum a³timo exemplo de modelo de aprendizado profundo que usa recursos específicos de doma­nio: neste caso, orbitais moleculares. Isso permite que o modelo de aprendizado de ma¡quina faz ca¡lculos com precisão em moléculas muito maiores, até10 vezes maiores, do que as moléculas presentes nos dados de treinamento ", diz Anandkumar. “Para um modelo de aprendizado profundo padra£o, tal extrapolação éimpossí­vel, pois ele apenas aprende a interpolar nos dados de treinamento. Aproveitar o conhecimento do doma­nio dos orbitais moleculares foi essencial para alcana§armos a capacidade de transferaªncia para moléculas maiores.

Atualmente, o OrbNet foi treinado em aproximadamente 100.000 molanãculas, o que Miller diz que permite realizar muitos ca¡lculos aºteis para os pesquisadores, mas os esforços conta­nuos visam escala¡-lo para conjuntos de dados de treinamento maiores.

"A previsão de propriedades moleculares tem muitos benefa­cios práticos. Por exemplo, o OrbNet pode ser usado para prever a estrutura das molanãculas, a forma como elas ira£o reagir, se são solaºveis em águaou como se ligam a uma protea­na" ele diz.

Miller diz que o trabalho futuro na OrbNet se concentrara¡ na expansão da gama de tarefas para as quais pode ser usada por meio de treinamento adicional.

“Demonstramos que funciona para um pequeno canto da química orga¢nica, mas não hánada que nos impea§a de expandir a abordagem para outros doma­nios de aplicação”, diz ele.