A aprendizagem automática resolve um problema de décadas na química quântica
A abordagem sem orbitais permite o cálculo preciso, estável e fisicamente significativo de energias moleculares e densidades de electrões
Anúncios
Ao aplicarem novos métodos de aprendizagem automática na investigação em química quântica, os cientistas da Universidade de Heidelberg deram passos significativos na química computacional. Conseguiram um grande avanço no sentido de resolver um dilema de décadas na química quântica - o cálculo preciso e estável de energias moleculares e densidades electrónicas com a chamada abordagem sem orbitais, que utiliza consideravelmente menos poder computacional e, por conseguinte, permite cálculos para moléculas muito grandes. No âmbito do Cluster de Excelência STRUCTURES, duas equipas de investigação do Centro Interdisciplinar de Computação Científica (IWR) aperfeiçoaram um processo de computação há muito considerado pouco fiável, de modo a obter resultados precisos e a estabelecer de forma fiável uma solução fisicamente significativa.
A forma como os electrões estão distribuídos numa molécula determina as suas propriedades químicas - desde a sua estabilidade e reatividade até ao seu efeito biológico. Calcular de forma fiável esta distribuição de electrões e a energia resultante é uma das funções centrais da química quântica. Estes cálculos constituem a base de muitas aplicações em que as moléculas devem ser especificamente compreendidas e concebidas, tais como novos medicamentos, melhores baterias, materiais para conversão de energia ou catalisadores mais eficientes. No entanto, estes cálculos são computacionalmente intensivos e rapidamente se tornam muito elaborados. Quanto maior for a molécula ou quanto maior for o número de variantes a verificar, mais rapidamente os processos de computação estabelecidos atingem os seus limites. O projeto "Química Quântica sem Orbitais" situa-se aqui na interface entre a química, a física e a investigação em IA.
Na química quântica, as moléculas são frequentemente descritas utilizando a teoria do funcional da densidade, que permite a previsão fundamental das propriedades químicas moleculares sem ter de calcular a função de onda da mecânica quântica. Em vez disso, a densidade eletrónica é utilizada como a quantidade principal - uma simplificação que finalmente torna os cálculos praticáveis. Esta abordagem sem orbitais promete cálculos especialmente eficientes, mas até agora era considerada pouco útil, uma vez que pequenos desvios na densidade eletrónica conduziam a resultados instáveis ou "não físicos". Com a ajuda da aprendizagem automática, o método de Heidelberg resolve finalmente este problema de precisão e estabilidade para muitas moléculas orgânicas diferentes.
O novo processo, denominado ESTRUTURAS25, baseia-se numa rede neuronal especificamente desenvolvida que aprende a relação entre a densidade eletrónica e a energia diretamente a partir de cálculos de referência precisos, captando o ambiente químico de cada átomo individual numa representação matematicamente detalhada. Um conceito de formação único foi fundamental: o modelo foi treinado não só com densidades electrónicas convergentes, mas também com muitas variantes em torno da solução correta - geradas por alterações específicas e controladas nos cálculos de referência subjacentes. Este processo de computação é, portanto, capaz de encontrar de forma fiável uma solução fisicamente significativa para energias moleculares e densidades de electrões, mesmo no caso de pequenos desvios. Mantém-se estável sem se "perder" no cálculo, sublinham os investigadores de Heidelberg.
Em testes com uma coleção grande e diversificada de moléculas orgânicas, o STRUCTURES25 atingiu uma precisão que pode competir com os cálculos de referência estabelecidos, demonstrando pela primeira vez uma convergência estável utilizando uma abordagem sem orbitais. O desempenho do método foi demonstrado não só em pequenos exemplos, mas também em moléculas "semelhantes a medicamentos" consideravelmente maiores. As comparações iniciais do tempo de execução provam que o processo de computação pode ser melhorado com o aumento do tamanho da molécula e, por conseguinte, aumentar a velocidade do cálculo. Os cálculos anteriormente considerados demasiado elaborados estão agora ao nosso alcance.
"A teoria do funcional da densidade sem orbitais há muito que prometia um cálculo mais rápido - mas não à custa da física, por favor", afirma o Prof. Dr. Fred Hamprecht, que lidera o grupo de investigação "Inteligência Artificial Científica" no IWR. Dr. Fred Hamprecht, que lidera o grupo de investigação "Inteligência Artificial Científica" no IWR. "Com o STRUCTURES25, demonstramos pela primeira vez que a computação pode incluir ambos: energias quimicamente precisas e uma otimização estável e prática da densidade eletrónica." O Prof. Dr. Andreas Dreuw, diretor do grupo de investigação "Química Teórica e Computacional" do IWR, acrescenta: Dr. Andreas Dreuw, chefe do grupo de investigação "Química Teórica e Computacional" do IWR, acrescenta: "A otimização deixou de ser instável, o que representa um grande passo em frente para previsões consideravelmente mais rápidas e de elevada precisão. Agora, as simulações estão ao alcance de processos clássicos que mal podiam tocar, como quando muitas configurações ou moléculas muito grandes precisam de ser investigadas."
Na base do trabalho esteve a estreita cooperação interdisciplinar dos grupos de investigação no âmbito do Cluster de Excelência "STRUCTURES: Uma Abordagem Unificadora dos Fenómenos Emergentes no Mundo Físico, Matemática e Dados Complexos" na Universidade de Heidelberg. Aqui, investigadores de várias disciplinas estudam a forma como as estruturas emergem, como podem ser detectadas em grandes conjuntos de dados e os benefícios que oferecem à ciência e à tecnologia. Para além do apoio fornecido pelo Cluster of Excellence, o financiamento veio também do programa Wildcard da Carl-Zeiss-Stiftung, que apoia projectos especialmente inovadores e arrojados. Os resultados da investigação foram publicados no "Journal of the American Chemical Society".
Observação: Este artigo foi traduzido usando um sistema de computador sem intervenção humana. A LUMITOS oferece essas traduções automáticas para apresentar uma gama mais ampla de notícias atuais. Como este artigo foi traduzido com tradução automática, é possível que contenha erros de vocabulário, sintaxe ou gramática. O artigo original em Inglês pode ser encontrado aqui.
Publicação original
Roman Remme, Tobias Kaczun, Tim Ebert, Christof A. Gehrig, Dominik Geng, Gerrit Gerhartz, Marc K. Ickler, Manuel V. Klockow, Peter Lippmann, Johannes S. Schmidt, Simon Wagner, Andreas Dreuw, Fred A. Hamprecht; "Stable and Accurate Orbital-Free Density Functional Theory Powered by Machine Learning"; Journal of the American Chemical Society, Volume 147, 2025-8-1
Outras notícias do departamento ciência
