A teoria funcional da densidade é um método mecânico quântico baseado em computador amplamente utilizado para calcular propriedades de átomos, moléculas e materiais.
Quando os experimentos são impraticáveis, os cálculos da teoria funcional da densidade (DFT) podem dar aos pesquisadores aproximações precisas das propriedades químicas. As equações matemáticas que sustentam os cálculos são cuidadosamente adaptadas às moléculas e materiais aos quais são aplicados. Mas cada equação vem com uma troca entre precisão e demanda por tempo de computação.
A DFT é baseada na densidade de elétrons das moléculas e, em teoria, pode ser usada para determinar exatamente as propriedades. Na prática, é impossível calcular as interações sutis entre numerosos elétrons. Em vez disso, os químicos computacionais apresentaram aproximações diferentes da correlação de troca (XC) funcional, o termo nas equações DFT que captura essas interações.
Como alternativa ao uso desses funcionais artesanais, Paola Gori-Giorgi da Microsoft, Jan Hermann, Rianne van den Berg e colegas construíram um modelo de aprendizado profundo que inferiu um XC funcional a partir de um banco de dados que eles criaram com cerca de 150.000 energias para moléculas com cinco ou poucos ou poucos atomos de carbono.
Eles não são o primeiro grupo a aplicar o aprendizado de máquina ao desafio de criar um XC preferrred funcional. Mas a equipe da Microsoft usou um algoritmo mais complexo do que outros, incorporando as ferramentas mais recentes emprestadas de grandes modelos de idiomas. E seus dados de treinamento são aproximadamente duas ordens de magnitude maiores que os conjuntos de dados que outros usaram.
O grupo chama o Skala funcional, da palavra grega para escada. É um aceno para os “degraus” matemáticos cada vez mais complexos que os cientistas computacionais acrescentam aos seus modelos para alcançar maior precisão, às vezes chamada de abordagem de escada de Jacob.
Os pesquisadores relatam que o erro de previsão de seu funcional no cálculo das energias de pequenas moléculas é metade do ωB97M-V, que é considerado um dos melhores funcionais disponíveis atualmente. Estava no meio do pacote para cálculos envolvendo átomos de steel, nos quais o Skala XC não foi treinado. Eles dizem que o ωB97M-V calcula propriedades moleculares no mesmo ou menos tempo do computador do que outros funcionais.
Embora ela não tenha testado Skala, cientista computacional Marivi Fernández-Serra Da Stony Brook College diz: “Tenho a impressão de que isso será um funcional muito bom”. Fernández-Serra, que também trabalha em abordagens de aprendizado de máquina para funcionais da DFT, diz a maneira como a Microsoft incorporou várias ferramentas de aprendizado profundo torna o Skala XC eficiente em inferir de grandes quantidades de dados. Ela e outros também dizem que o grupo teve a vantagem dos enormes recursos da Microsoft para gerar seus dados de treinamento – algo que muitos cientistas acadêmicos não têm e a política atual dos EUA está diminuindo ainda mais.
Para outros pesquisadores da DFT, as vantagens do Skala são menos claras. “Para pessoas que trabalham em metais, isso não funciona”, diz AJ Medfordum engenheiro químico do Instituto de Tecnologia da Geórgia que usou aprendizado de máquina para DFT. Os funcionais que funcionam bem para metais e sólidos são particularmente valiosos na ciência dos materiais porque podem acelerar a exploração do espaço químico.
Medford é cético de que a equipe da Microsoft possa gerar dados de treinamento de alta qualidade igualmente de alta qualidade para átomos com mais elétrons. E ele diz que os pesquisadores que usam DFT em pequenas moléculas podem não ver a necessidade de um novo funcional quando os existentes funcionam bem o suficiente.
Gori-Giorgi, gerente sênior de pesquisa da equipe Skala XC, discorda. Ela diz que, em colaboração com especialistas externos, seu grupo já identificou técnicas computacionais que eles acreditam que a equipe poderia usar para expandir seu banco de dados de treinamento para incluir átomos maiores.
Outro pesquisador no campo, Ryo Nagai de redes preferidas, diz em um electronic mail para a C&N que ele está impressionado com a forma como o Skala XC conseguiu aprender e que ajudará a avançar a pesquisa. Mas, como Medford, ele é cético em relação a como se sairá com metais e sólidos. Ele questionou os testes do grupo de desempenho de Skala e diz que quer vê-lo desafiado com cálculos mais complexos.
Os esforços da Microsoft têm alguns ecos de incursões no DFT pelo Google Deepmind, que lançou uma máquinaAprendizagem funcional (Ciência 2021, doi: 10.1126/science.abj6511) para fanfarra significativa (Ciência 2021, doi: 10.1126/science.abm2445). Mas, em última análise, se mostrou muito intensivo para ser útil.
James Kirkpatrick, do DeepMind, que liderou a pesquisa de 2021, não comentou os esforços da Microsoft, mas diz ao C & EN em um electronic mail que a empresa “está trabalhando em abordagens relacionadas”.
