Esta pesquisa introduz uma nova abordagem para descobrir variáveis estruturais em sistemas complexos, remodelando a forma como modelamos o comportamento imprevisível do mundo actual
Sistemas complexos modelam o comportamento do mundo actual que é dinâmico e muitas vezes imprevisível. São difíceis de simular devido à não linearidade, onde pequenas mudanças nas condições podem levar a efeitos desproporcionalmente grandes; muitas variáveis interagindo, o que torna a modelagem computacional complicada; e aleatoriedade, onde os resultados são probabilísticos. O aprendizado de máquina é uma ferramenta poderosa para compreender sistemas complexos. Ele pode ser usado para encontrar relacionamentos ocultos em dados de alta dimensão e prever o estado futuro de um sistema com base em dados anteriores.
Esta pesquisa desenvolve uma nova abordagem de aprendizado de máquina para sistemas complexos que permite ao usuário extrair alguns descritores coletivos do sistema, chamados de variáveis estruturais inerentes. Os pesquisadores usaram um autoencoder (um tipo de ferramenta de aprendizado de máquina) para examinar instantâneos de como os átomos estão organizados em um sistema a qualquer momento (chamados de configurações atômicas instantâneas). Cada instantâneo é então comparado a uma versão mais estável dessa estrutura (uma estrutura inerente), que representa a forma ou padrão subjacente do sistema após a remoção do ruído térmico. Estas variáveis estruturais inerentes permitem a análise de transições estruturais dentro e fora do equilíbrio e o cálculo de paisagens de energia livre de alta resolução. São mapas detalhados que mostram como a energia de um sistema muda à medida que sua estrutura ou configuração muda, ajudando os pesquisadores a compreender a estabilidade, as transições e a dinâmica em sistemas complexos.
O modelo é versátil e os autores demonstram como ele pode ser aplicado a nanoaglomerados metálicos e estruturas proteicas. No caso dos nanoaglomerados Au147 (estruturas bem organizadas compostas por 147 átomos de ouro), as variáveis estruturais inerentes revelam três tipos principais de estruturas estáveis que o nanoaglomerado de ouro pode adotar: fcc (cúbica centrada na face), Dh (decaédrica) e Ih (icosaédrico). Essas estruturas representam diferentes estados estáveis entre os quais um nanoaglomerado pode alternar e, na paisagem de energia livre de alta resolução, elas aparecem como vales. Mover-se de um vale para outro não é fácil, existem caminhos estreitos ou barreiras entre eles, conhecidos como gargalos cinéticos.
Os pesquisadores validaram seu modelo de aprendizado de máquina usando modelos de estado de Markov, que são ferramentas matemáticas que ajudam a analisar como um sistema se transfer entre diferentes estados ao longo do tempo, e microscopia eletrônica, que cria imagens de estruturas atômicas e pode confirmar que as estruturas previstas existem nos nanoaglomerados de ouro. A abordagem também captura processos de fusão e congelamento fora do equilíbrio, oferecendo insights sobre a seleção de polimorfos e estados metaestáveis. A escalabilidade é demonstrada até clusters Au309.
A generalidade do método é ainda demonstrada pela sua aplicação ao peptídeo de bradicinina, um tipo de sistema completamente diferente, identificando transições e motivos estruturais distintos. A aplicação do método a uma molécula biológica fornece mais evidências de que a abordagem de aprendizado de máquina é uma técnica flexível e poderosa para estudar muitos tipos de sistemas complexos. Este trabalho contribui para estratégias de aprendizado de máquina, bem como estudos experimentais e teóricos de sistemas complexos, com aplicações potenciais em líquidos, vidros, colóides e biomoléculas.
Quer saber mais sobre esse assunto?
Sistemas complexos em destaque: próximos passos após o Prêmio Nobel de Física de 2021 por Ginestra Bianconi e outros (2023)