By Kenna Hughes-Castleberry publicado em 07 de outubro de 2022
Muitas equações da física quântica podem ser úteis para orientar pesquisadores que analisam interações químicas. Como tanto a física quântica quanto química trabalham nos mesmos níveis atômicos, eles são frequentemente usados em conjunto para alcançar novos resultados. Recentemente, pesquisadores do Laboratório Nacional de Los Alamos (LANL) levou esse emparelhamento um passo adiante, adicionando aprendizado de máquina processos para ajudar a prever a interação bioquímica em simulações moleculares. Isto, por sua vez, poderia ajudar a acelerar os passos na concepção de medicamentos e noutros cenários da indústria, tornando os medicamentos mais seguros e mais rápidos a longo prazo.
Usando aprendizado de máquina para conjuntos de dados
Os processos de aprendizado de máquina já estão sendo aplicado para computação quântica e física quântica. Como o aprendizado de máquina prevê e cria padrões a partir de grandes grupos de dados, ele é benéfico para áreas como a física quântica ou a química, que possuem muitas peças móveis. Segundo o pesquisador do LANL Benjamin Nebgen: “antes do advento dos métodos de aprendizado de máquina (ML) nas áreas de química e ciência de materiais, a maior simulação prática de química e sistemas de materiais era limitada a alguns milhares de átomos. Isso é muito pequeno para capturar com precisão muitos efeitos que determinam propriedades químicas ou materiais, como caminhos de grãos ou caminhos reativos raros.” Graças aos benefícios do aprendizado de máquina, os pesquisadores podem estudar cenários mais complicados em simulações, incluindo aqueles focados em física e química quântica.
Para os cientistas que projetam novos drogas ou estudar reações químicas, é importante compreender completamente o que está acontecendo com os elétrons no nível quântico. “O movimento dos elétrons e dos núcleos atômicos controla quase todas as propriedades químicas e materiais que definem nossa existência moderna”, disse Nebgen. “Isto inclui a química de tudo, desde os medicamentos que tomamos, os produtos de limpeza domésticos que usamos diariamente, até aos combustíveis dos nossos próprios carros e camiões. Além disso, as propriedades dos materiais que compõem nossos carros, casas, ferramentas, aeronaves e quase tudo com que interagimos no dia a dia são controladas pela mesma física subjacente.” Isso permite que os pesquisadores investiguem mais profundamente as interações de uma molécula em um nível fundamental. No entanto, uma vez atingido este nível, surge uma matemática mais complicada. “As forças que atuam sobre átomos individuais que entram nas equações de Newton derivam do movimento dos elétrons, que são inerentemente quânticos por natureza”, explicou Nebgen. “Assim, os elétrons devem ser tratados com a equação de Schrödinger, que é um problema matemático muito mais desafiador de resolver.”
LANL usa aprendizado de máquina para criar modelos
Para superar essas equações difíceis, pesquisadores como Nebgen estão utilizando ferramentas de aprendizado de máquina. Essas ferramentas podem acelerar uma simulação química, concentrando-se apenas em alguns dos elétrons mais importantes do sistema, acrescentou Nebgen. Usando uma ferramenta de aprendizado de máquina chamada rede neural, Nebgen e sua equipe conseguiram fazer um modelo preditivo dos possíveis estados de elétrons e suas energias associadas dentro de uma molécula. A partir daí, a equipe poderia prever com precisão alguns dos resultados possíveis da simulação, com base em diferentes informações. Para as empresas de biotecnologia que gastam milhões de dólares para conceber e testar novos medicamentos, modelos preditivos como este poderiam proporcionar muitos benefícios em termos de relação custo-benefício. Embora a utilização da aprendizagem automática na indústria farmacêutica não seja nova, combiná-la com o poder da computação quântica pode criar a próxima geração de tecnologia necessária para lançar futuros medicamentos.
Kenna Hughes-Castleberry é redatora da Inside Quantum Technology e comunicadora científica da JILA (uma parceria entre a University of Colorado Boulder e o NIST). Suas batidas de escrita incluem tecnologia profunda, metaverso e tecnologia quântica.
