Novo método de IA capta interações atómicas de longo alcance em moléculas complexas
Google DeepMind, BIFOLD e TU Berlin resolvem um problema central na simulação atomística
Anúncios
Investigadores do Google DeepMind em Berlim, do BIFOLD e da Universidade Técnica de Berlim introduziram um novo método de aprendizagem automática que permite representar de forma mais eficiente as interações atómicas globais em sistemas químicos. Isto poderá permitir que os processos químicos e de ciência dos materiais sejam simulados com maior precisão no futuro, acelerando potencialmente o desenvolvimento de novos medicamentos, baterias mais eficientes e materiais mais sustentáveis. O trabalho, intitulado "Machine Learning Global Atomic Representations with Euclidean Fast Attention", foi publicado na Nature Machine Intelligence em março de 2026.
Para compreender exatamente como funciona, por exemplo, um medicamento, os cientistas têm de calcular com precisão a forma como os átomos das moléculas se movem e interagem uns com os outros. Estas simulações constituem a base do desenvolvimento de medicamentos modernos, bem como da conceção de novos materiais e de catalisadores mais eficientes. No entanto, muitos métodos computacionais atingem os seus limites quando lidam com moléculas maiores, contendo centenas ou milhares de átomos, devido à sua complexidade. A modelação de sistemas atomísticos é um desafio porque cada átomo experimenta simultaneamente forças de muitos outros átomos, incluindo alguns que estão distantes, e não apenas dos seus vizinhos imediatos. Isto resulta num sistema de muitos corpos altamente complexo, em que mesmo pequenas alterações numa localização podem afetar o comportamento de todo o sistema.
A nova representação destas interações é designada por Atenção Rápida Euclidiana (AFE)
Um papel central neste processo é desempenhado por um conceito fundamental na aprendizagem automática moderna, conhecido como auto-atenção. Este conceito permite que os modelos avaliem a importância de peças individuais de informação no contexto de todas as outras informações, captando assim relações de longo alcance. No entanto, à medida que o número de átomos aumenta, o número de interações relevantes cresce aproximadamente com o quadrado do número de átomos. Este facto torna a utilização da auto-atenção para a modelação precisa de sistemas físicos extremamente dispendiosa do ponto de vista computacional e limita a dimensão das estruturas atomísticas que podem ser simuladas.
É exatamente aqui que entra em jogo o novo método da equipa de investigação. Os cientistas desenvolveram uma nova representação linearmente escalonada destas interações, denominada Euclidean Fast Attention (EFA). Foi especificamente concebida para dados no espaço euclidiano, onde se aplicam as regras da geometria clássica, por exemplo, átomos em moléculas e materiais, cujas posições e orientações relativas são cruciais para previsões exactas. Um aspeto fundamental da abordagem é o facto de a informação espacial poder ser representada de forma eficiente sem violar simetrias físicas importantes. Nas suas experiências, os investigadores mostram que a AFE capta eficazmente diferentes efeitos de longo alcance e pode descrever interações químicas para as quais os campos de força convencionais de aprendizagem automática podem produzir resultados incorrectos. Isto torna possível captar de forma fiável as interações a grandes distâncias, exigindo simultaneamente um esforço computacional comparativamente baixo.
"Klaus-Robert Müller, co-diretor do BIFOLD e professor da Universidade Técnica de Berlim, afirma: "A nossa abordagem permite dar um novo passo importante no sentido de uma modelação quântico-mecanicamente mais precisa de sistemas de muitos corpos utilizando novos métodos de aprendizagem profunda.
O trabalho aborda, portanto, uma questão fundamental na modelação de sistemas de muitos corpos em química e física: como é que a informação estrutural global pode ser incorporada em modelos atomísticos sem sacrificar a eficiência computacional necessária para grandes sistemas? Uma vez que o método foi especificamente concebido para trabalhar eficientemente com moléculas grandes, pode também ser aplicado no futuro a sistemas particularmente exigentes, tais como materiais grandes ou complexos. Os autores consideram que a AFE é uma abordagem promissora para tornar os métodos de aprendizagem automática mais robustos e mais eficientes para simulações químicas e de ciência dos materiais difíceis.
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
Outras notícias do departamento ciência
