Tecnologia Científica

O aprendizado de máquina acelera os cálculos da química quântica
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 Matemática de Bren.
Por Emily Velasco - 11/10/2020


Acima: Uma imagem renderizada por OrbNet de uma molécula mostrando átomos, as ligações entre eles e o arranjo dos elétrons. Crédito: Entos Inc.

A química quântica, o estudo das propriedades químicas e processos em escala quântica, abriu muitos caminhos para a pesquisa e descoberta na química moderna. Sem nunca manusear um copo ou tubo de ensaio, os químicos podem fazer previsões sobre as propriedades de um determinado átomo ou molécula e como ele passará por reações químicas estudando sua estrutura eletrônica - como seus elétrons estão dispostos em orbitais - e como esses elétrons interagem com aqueles de outros compostos ou átomos.

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

Agora, graças a uma nova ferramenta de química quântica que usa aprendizado de máquina, os cálculos da química quântica podem ser realizados 1.000 vezes mais rápido do que antes, permitindo que pesquisas precisas em química quântica 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 Matemática de Bren.

"Na química quântica, há uma interação punitiva entre a precisão do cálculo e o tempo que leva", diz Miller. “Você começaria um cálculo e diria: 'Bem, nos vemos na terça.' Mas agora, os cálculos podem ser feitos de forma interativa. "

A OrbNet usa uma rede neural de grafos, um tipo de sistema de aprendizado de máquina que representa informações como "nós", que contêm dados, e "bordas", que representam as maneiras como esses blocos de dados estão relacionados entre si.

Miller diz que a OrbNet funciona tão bem devido a uma inovação na forma como os átomos e moléculas são mapeados para a rede neural de grafos que é baseada na equação de Schrödinger, um elemento matemático central para a mecânica quântica.

“As arquiteturas de grafos anteriores organizaram os átomos como nós e as ligações entre os átomos como arestas, mas não é assim que a química quântica pensa a respeito”, diz ele. "Então, em vez disso, construímos um gráfico onde os nós são os orbitais de elétrons e as bordas são as interações entre os orbitais. Isso tem uma conexão muito mais natural com a equação de Schrödinger."

Como todos os sistemas de aprendizado de máquina, o OrbNet precisa ser treinado para executar uma tarefa atribuída, semelhante a como uma pessoa que consegue um novo emprego precisa ser treinada para isso. OrbNet aprendeu a prever propriedades moleculares com base em cálculos de mecânica quântica de referência precisos. Anandkumar, cuja pesquisa se concentra no aprendizado de máquina, ajudou a projetar e otimizar a implementação da rede neural de grafos.

"Orbnet é um ótimo exemplo de modelo de aprendizado profundo que usa recursos específicos de domínio: neste caso, orbitais moleculares. Isso permite que o modelo de aprendizado de máquina faça cálculos com precisão em moléculas muito maiores, até 10 vezes maiores, do que as moléculas presentes nos dados de treinamento ", diz Anandkumar. “Para um modelo de aprendizado profundo padrão, tal extrapolação é impossível, pois ele apenas aprende a interpolar nos dados de treinamento. Aproveitar o conhecimento do domínio dos orbitais moleculares foi essencial para alcançarmos a capacidade de transferência para moléculas maiores.

Atualmente, o OrbNet foi treinado em aproximadamente 100.000 moléculas, o que Miller diz que permite realizar muitos cálculos úteis para os pesquisadores, mas os esforços contínuos visam escalá-lo para conjuntos de dados de treinamento maiores.

"A previsão de propriedades moleculares tem muitos benefícios práticos. Por exemplo, o OrbNet pode ser usado para prever a estrutura das moléculas, a forma como elas irão reagir, se são solúveis em água ou como se ligam a uma proteína" ele diz.

Miller diz que o trabalho futuro na OrbNet se concentrará 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 orgânica, mas não há nada que nos impeça de expandir a abordagem para outros domínios de aplicação”, diz ele.

O artigo que descreve OrbNet, intitulado " OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adaptado Atomic-Orbital Features ", foi publicado no Journal of Chemical Physics em 25 de setembro e selecionado como Escolha do Editor. Outros co-autores são o estudante de graduação em química da Caltech, Zhuoran Qiao, e Matthew Welborn e Frederick R. Manby, da Entos Inc.

 

.
.

Leia mais a seguir