A.I. ao serviço da investigação com GNoME: Graph Networks for Material Exploration

Em março de 2016, a I.A. AlphaGo da DeepMind derrotou inequivocamente o então campeão de Go, o coreano Lee Sedol. A questão de como uma I.A. especialista em Go poderia um dia ser útil não estava oficialmente na ordem do dia, mas a experiência desenvolvida não ia ficar por explorar durante muito tempo.

Para quem não está familiarizado com os princípios do jogo de Go, cada jogador tenta cercar as peças do seu adversário. Cada jogador coloca uma peça de cada vez, e a forma como as peças são dispostas representa a essência da estratégia, uma vez que cada forma desenhada pelas peças tem propriedades diferentes: uma linha, um T, um U, todos têm vantagens diferentes consoante a localização e a vizinhança.

No mundo dos átomos e das moléculas, os constituintes de um material podem ser os mesmos, mas a sua disposição e inter-relações dão origem a propriedades diferentes. Enquanto o jogo de Go se desenrola num plano bidimensional com dois elementos diferentes, o mundo material é tridimensional e é composto por cerca de 100 átomos diferentes e milhões de moléculas, cada uma das quais com uma massa, carga, forma e características que dão origem a propriedades particulares, afinidades e comportamentos que são únicos para cada combinação.

GNoME A.I. em socorro da química

Os compostos estáveis constituem a maior parte da matéria que conhecemos.

Por exemplo, o cloreto de sódio (NaCl - o sal) é um composto que cristaliza facilmente e se dissolve com a mesma facilidade; é um composto comum nas nossas condições. Compostos tão simples como o carbono podem ser organizados de muitas formas diferentes para dar origem a materiais tão comuns como a grafite, tão raros como o diamante ou tão sofisticados como o grafeno ou os fulerenos. Combinações complexas, como as que formam a base do cimento (ácido silícico, alumina, óxido de ferro e cal), são todas constituídas por moléculas estáveis cujas interacções determinam as propriedades do produto final.

Em suma, dos biliões de biliões de formas em que os átomos e as moléculas podem ser combinados, apenas um certo número pode produzir compostos estáveis e, destes, ainda menos possuem características específicas como a condutividade, a elasticidade, o magnetismo, a solidez, a resistência, etc.

O desafio na investigação de materiais consiste em determinar primeiro se uma combinação de átomos será estável e depois tentar prever as suas propriedades.

Utilizando dados sobre os 40 000 materiais conhecidos e as teorias existentes, como a teoria do funcional da densidade (DFT), o GNoME, uma inteligência artificial desenvolvida pela DeepMind, a mesma empresa que está por detrás do AlphaGo e do AlphaFold, a base de dados de proteínas, treinou-se a si própria e modelou mais de 2,2 milhões de potenciais cristais, o que, ao ritmo da investigação até à data, teria levado cerca de 600 anos a conseguir.

Destes 2,2 milhões de cristais, esta I.A. identificou que cerca de 421.000 seriam suficientemente estáveis para serem sintetizados, e 738 deles foram efetivamente sintetizados, com propriedades em concordância com as previsões de cerca de 80%. Comparado com 33% nos melhores casos até à data ou com 1% ainda não há muito tempo, este resultado não tem precedentes e abre perspectivas desestabilizadoras. A IA ainda não tem em conta os efeitos destes compostos hipotéticos no ambiente, na saúde ou na vida. Será que vai acabar por fornecer as fórmulas para a sua reciclagem ou recuperação?

Atualmente, a IA limita-se aos compostos que não contêm mais de 5 tipos de átomos e às estratégias de substituição, estimando os níveis de energia das ligações e as formas estruturais. À medida que a aprendizagem progride, mais e mais dados são acumulados e outras abordagens mais ousadas aumentarão radicalmente o número de possibilidades. O suficiente para manter todo o sector ocupado durante muitos anos.

O regresso do jogador de Go

Na história da I.A. e do jogo de Go, em 2023, Kellin Pelrine, um estudante de doutoramento em Aprendizagem Automática na Universidade McGill, venceu o AlphaGo 14 jogos contra 1 simplesmente estudando a forma como o AlphaGo trabalhava e utilizando uma estratégia de confusão (recomendada por outra I.A.), uma estratégia que qualquer humano teria detectado imediatamente.

O GNoME tem limitações semelhantes, e o seu potencial só melhora com a intervenção humana para lhe fornecer teorias, dados e objectivos a perseguir. É uma ferramenta extraordinária cujos limites somos capazes de reconhecer... e ultrapassar.

Referências

Escalonamento da aprendizagem profunda para a descoberta de materiais
https://www.nature.com/articles/s41586-023-06735-9

Milhões de novos materiais descobertos com a aprendizagem profunda - Amil Merchant e Ekin Dogus Cubuk - DeepMind
https://deepmind.google/discover/blog/millions-of-new-materials-discovered-with-deep-learning/

AphaFold - https://alphafold.ebi.ac.uk/

Grafeno - https://fr.wikipedia.org/wiki/Graph%C3%A8ne

Kellin Pelrine - https://www.linkedin.com/posts/kellin-pelrine_kellin-pelrine-how-he-crushed-a-superhuman-activity-7073179974484021248-hr_F/

A inteligência artificial perdeu um jogo de go contra um humano (ajudado por uma IA)
https://www.20minutes.fr/high-tech/4024717-20230221-intelligence-artificielle-perdu-jeu-go-face-humain-aide-ia

Art of Go - Regras do jogo de Go - https://artdugo.fr/regles-du-jeu-de-go/