As espumas aparecem no dia a dia na forma de espuma de sabão, creme de barbear, coberturas batidas e emulsões alimentares como a maionese. Durante anos, os cientistas acreditaram que as espumas se comportavam como o vidro, com os seus minúsculos componentes presos em posições desordenadas, mas essencialmente fixas.
Novas pesquisas estão agora desafiando essa crença de longa data. Engenheiros da Universidade da Pensilvânia descobriram que, embora as espumas mantenham a sua forma geral, o seu interior está em constante movimento. Ainda mais surpreendente é que a matemática que descreve este movimento se assemelha muito à aprendizagem profunda, um método utilizado para treinar os actuais sistemas de inteligência artificial.
Esta descoberta sugere que a aprendizagem, num sentido matemático amplo, pode ser um princípio organizador comum para sistemas físicos, biológicos e computacionais. O trabalho também pode orientar esforços futuros para criar materiais que se adaptem e respondam ao seu entorno. Pode até ajudar os cientistas a compreender melhor as estruturas vivas que devem ser constantemente reorganizadas, como a estrutura interna das células.
Bolhas que nunca resolvem
Num estudo publicado em Anais da Academia Nacional de Ciênciasos pesquisadores usaram simulações de computador para acompanhar o movimento das bolhas na espuma úmida. Em vez de eventualmente ficarem estacionárias, as bolhas continuaram a vagar através de uma variedade de mecanismos possíveis.
Do ponto de vista matemático, esse comportamento é muito semelhante ao funcionamento do aprendizado profundo. Durante o treinamento, um sistema de IA ajusta repetidamente seus parâmetros – as informações que definem o que a IA “sabe” – em vez de ficar preso em um único estado final.
“As espumas estão em constante reorganização”, diz John C. Crocker, professor de engenharia química e biomolecular (CBE) e co-autor sênior do artigo. “É incrível que a espuma e os sistemas modernos de inteligência artificial pareçam seguir os mesmos princípios matemáticos. Compreender por que isso acontece permanece uma questão em aberto, mas pode mudar a maneira como pensamos sobre materiais adaptativos e até mesmo sobre sistemas vivos.”
Por que as espumas desafiaram a física tradicional
À escala humana, as espumas comportam-se frequentemente como sólidos. Via de regra, eles mantêm sua forma e podem voltar após a compressão. Em escalas muito menores, entretanto, as espumas são consideradas materiais “bifásicos” feitos de bolhas suspensas em um fundo líquido ou sólido.
Como as espumas são fáceis de produzir e observar, embora exibam um comportamento mecânico complexo, os cientistas há muito as utilizam como sistemas modelo para estudar outros materiais densos e dinâmicos, incluindo células vivas.
As teorias tradicionais viam as bolhas de espuma como pedras rolando por uma paisagem energética. Nesta forma, as bolhas descem para posições que requerem menos energia para serem mantidas e depois permanecem lá. Essa ideia ajudou a explicar por que as espumas parecem estáveis após a formação, como uma pedra no fundo de um vale.
Discrepância entre teoria e realidade
Quando os pesquisadores examinaram dados reais de espuma, descobriram que o comportamento não correspondia a essas previsões. Segundo Crocker, os sinais desta discrepância surgiram há quase duas décadas, mas não existiam ferramentas matemáticas adequadas para explicar completamente o que estava a acontecer.
“Quando analisamos os dados, o comportamento da espuma não era o que a teoria previa”, diz Crocker. “Começamos a ver essas discrepâncias há quase 20 anos, mas ainda não tínhamos as ferramentas matemáticas para descrever o que realmente estava acontecendo”.
Resolver esse quebra-cabeça exigia uma nova abordagem, que pudesse descrever sistemas que continuam mudando sem nunca se estabelecerem em um arranjo único e fixo.
Lições de inteligência artificial
Os sistemas modernos de inteligência artificial são treinados ajustando constantemente os parâmetros numéricos durante o treinamento. As primeiras abordagens tentaram conduzir esses sistemas a uma única solução ideal que combinasse perfeitamente com seus dados de treinamento.
O aprendizado profundo depende de técnicas de otimização que envolvem uma técnica matemática chamada gradiente descendente. Essas técnicas orientam repetidamente o sistema em direção a configurações de redução de erros, passo a passo, de forma muito semelhante ao movimento por uma paisagem.
Com o tempo, os pesquisadores perceberam que levar os modelos muito longe nas soluções mais profundas possíveis causava problemas. Os sistemas que se ajustavam muito bem aos seus dados de treinamento tornaram-se frágeis e não fizeram bom uso das novas informações.
“A principal conclusão foi que não se quer realmente empurrar o sistema para o vale mais profundo”, diz Robert Riggleman, professor do CBE e co-autor sénior do artigo. “Mantê-lo em partes mais planas da paisagem, onde múltiplas soluções funcionam igualmente bem, acaba sendo o que permite que esses padrões se generalizem.”
Espuma e IA seguem as mesmas regras
Quando a equipe da Penn reexaminou seus dados de espuma usando essa perspectiva, as semelhanças tornaram-se aparentes. Bolhas de espuma não se depositam em locais profundos e estáveis. Em vez disso, continuam a mover-se em vastas regiões onde muitas configurações são igualmente viáveis.
Esse movimento contínuo é muito semelhante ao modo como os sistemas modernos de inteligência artificial funcionam durante o treinamento. A mesma matemática que ajuda a explicar por que o aprendizado profundo funciona também reflete o que as espumas têm feito o tempo todo.
Implicações para materiais e sistemas vivos
As descobertas levantam novas questões em um campo que muitos pensavam já ter sido bem estudado. Isso por si só pode ser uma das contribuições mais importantes do estudo.
Ao mostrar que as bolhas de espuma não congelam em estados vítreos, mas sim se movem de forma semelhante aos algoritmos de aprendizagem, o estudo incentiva os cientistas a repensar como outros sistemas complexos se comportam.
A equipe de Crocker está agora revisitando o sistema que primeiro despertou seu interesse pelas espumas: o citoesqueleto, a estrutura microscópica dentro das células que sustenta a vida. Tal como a espuma, o citoesqueleto deve reorganizar-se constantemente, mantendo a sua estrutura global.
“Por que a matemática do aprendizado profundo caracteriza com precisão as espumas é uma questão interessante”, diz Crocker. “Isso sugere que essas ferramentas podem ser úteis muito além do seu contexto original, abrindo portas para caminhos de pesquisa inteiramente novos.”
Esta pesquisa foi conduzida na Escola de Engenharia e Ciências Aplicadas da Universidade da Pensilvânia com o apoio da Divisão de Pesquisa de Materiais da National Science Foundation (1609525, 1720530).
Coautores adicionais incluem Amrutesh Thirumalaiswamy e Claire Rodriguez-Cruz.
