Pesquisadores da Universidade do Novo México e do Laboratório Nacional de Los Alamos revelaram um novo método computacional que visa resolver um dos problemas mais difíceis da física estatística. Seu sistema, chamado de estrutura de IA Tensor of High-Dimensional Object Representation (THOR), usa algoritmos de rede tensorial para lidar com cálculos matemáticos muito grandes chamados integrais de configuração e as equações diferenciais parciais necessárias para analisar materiais.
Esses cálculos são críticos para prever o comportamento termodinâmico e mecânico dos materiais. Para tornar o sistema mais robusto, os pesquisadores combinaram a estrutura com o potencial do aprendizado de máquina para capturar como os átomos interagem e se movem. Essa integração permite que os cientistas modelem materiais com precisão e eficiência em uma variedade de ambientes físicos.
“Integrais de configuração que capturam interações de partículas são muito difíceis e demoradas de avaliar, especialmente em aplicações de ciência de materiais que envolvem pressões extremas ou transições de fase”, disse Boian Alexandrov, cientista sênior de inteligência artificial em Los Alamos que lidera o projeto. “A determinação precisa do comportamento termodinâmico aprofunda nossa compreensão científica da mecânica estatística e informa campos críticos como a metalurgia.”
Por que as integrais de configuração são tão difíceis de calcular?
Durante décadas, os pesquisadores confiaram em técnicas computacionais indiretas, como dinâmica molecular e simulações de Monte Carlo, para estimar integrais de configuração. Esses métodos tentam recriar o movimento dos átomos simulando inúmeras interações durante longos períodos de tempo.
O principal obstáculo vem do que os cientistas chamam de “maldição da dimensionalidade”. À medida que o número de variáveis aumenta, a complexidade computacional aumenta exponencialmente. Até os supercomputadores mais avançados enfrentam esse desafio. Portanto, as simulações geralmente duram semanas, mas ainda assim fornecem apenas respostas aproximadas.
Dimiter Petsev, professor do Departamento de Engenharia Química e Biológica da Universidade do Novo México, colabora frequentemente com Alexandrov em pesquisas em ciência de materiais. Conforme Alexandrov descreveu a estratégia computacional desenvolvida por sua equipe, Petsev percebeu que a técnica poderia fornecer uma maneira de avaliar diretamente integrais configuracionais na mecânica estatística.
“Tradicionalmente, resolver diretamente integrais configuracionais era considerado impossível porque as integrais normalmente envolvem milhares de dimensões. Mesmo com computadores modernos, as técnicas clássicas de integração requerem tempos computacionais que excederiam a idade do universo”, disse Petsev. “No entanto, a abordagem da rede tensorial fornece um novo padrão de precisão e eficiência contra o qual outros métodos podem ser comparados.”
THOR AI torna prática a computação de alta dimensão
THOR AI transforma este problema aparentemente intratável em um problema que pode ser resolvido de forma eficaz. Ele faz isso representando um grande conjunto de dados de integrandos de alta dimensão como uma série de peças menores conectadas. A estrutura depende de uma estratégia matemática chamada “interpolação cruzada de sequência tensorial” para obter essa compressão.
Os pesquisadores também desenvolveram uma versão especializada do método que pode detectar simetrias cristalográficas importantes dentro do material. Ao identificar esses padrões, o THOR AI reduz significativamente a quantidade de cálculos necessários. Cálculos que antes demoravam milhares de horas agora podem ser concluídos em segundos sem sacrificar a precisão.
Simulações mais rápidas para ciência de materiais e física
A equipe testou o THOR AI em uma variedade de sistemas de materiais. Isso inclui transições complexas de fase sólida para sólida em metais como o cobre, gases raros em pressões extremas, como o argônio cristalino e o estanho. Em cada caso, o novo método reproduziu resultados obtidos anteriormente em simulações avançadas em Los Alamos, rodando mais de 400 vezes mais rápido.
A estrutura também se integra perfeitamente aos modernos modelos atômicos de aprendizado de máquina, permitindo analisar materiais sob diversas condições. Devido a esta flexibilidade, o THOR AI pode tornar-se uma ferramenta valiosa nas áreas da ciência dos materiais, física e química, dizem os investigadores.
“Esta descoberta substitui simulações e aproximações integrais de configuração centenárias por cálculos de primeiros princípios”, disse Duc Truong, cientista de Los Alamos e autor principal do estudo publicado na Physical Review Materials. “THOR AI abre a porta para uma descoberta mais rápida e uma compreensão mais profunda dos materiais.”
O projeto THOR está disponível em GitHub.
