Pesquisadores da Universidade do Novo México e do Laboratório Nacional de Los Alamos apresentaram uma nova abordagem computacional projetada para resolver um dos problemas mais desafiadores da física estatística. Seu sistema, denominado estrutura de IA de Tensores para Representação de Objetos de Alta Dimensão (THOR), usa algoritmos de rede de tensores para lidar com cálculos matemáticos extremamente grandes, conhecidos como integrais de configuração, junto com as equações diferenciais parciais necessárias para análise de materiais.
Esses cálculos são importantes para prever o comportamento termodinâmico e mecânico dos materiais. Para tornar o sistema mais poderoso, os pesquisadores combinaram a estrutura com recursos de aprendizado de máquina que capturam como os átomos interagem e se movem. Essa integração permite que os cientistas modelem materiais com precisão e eficiência em uma ampla variedade de ambientes físicos.
“A integral de configuração que captura as interações das partículas é notoriamente difícil e demorada de avaliar, especialmente em aplicações de ciência de materiais que envolvem pressões extremas ou transições de fase”, disse Boyan Alexandrov, cientista sênior de Los Alamos, que liderou o projeto. “Uma definição precisa do comportamento termodinâmico aprofunda nossa compreensão científica da mecânica estatística e informa áreas-chave como a metalurgia.”
Por que integrais de configuração são tão difíceis de calcular
Durante décadas, os pesquisadores dependeram de métodos computacionais indiretos, como dinâmica molecular e simulações de Monte Carlo, para avaliar integrais de configuração. Esses métodos tentam reproduzir o movimento dos átomos simulando um grande número de 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 dos cálculos aumenta exponencialmente. Até os supercomputadores mais avançados enfrentam esse problema. Como resultado, as simulações muitas vezes continuam durante semanas, fornecendo apenas respostas aproximadas.
Dimitser Petsev, professor do Departamento de Engenharia Química e Biológica da Universidade Nacional Ucraniana, colabora frequentemente com Aleksandrov em pesquisas em ciência de materiais. Quando Alexandrov descreveu a estratégia computacional que sua equipe havia desenvolvido, Petsev percebeu que o método poderia oferecer uma maneira de avaliar diretamente a integral de configuração na mecânica estatística.
“Tradicionalmente, resolver diretamente a integral de configuração era considerado impossível porque a integral frequentemente envolve dimensões da ordem de milhares. Os métodos clássicos de integração exigiriam um tempo de computação que excede a idade do universo, mesmo com computadores modernos”, disse Petsev. “No entanto, os métodos de rede tensorial oferecem um novo padrão de precisão e eficiência com o qual outras abordagens podem ser comparadas.”
THOR AI faz cálculos práticos em larga escala
THOR AI transforma esse problema aparentemente intratável em algo que pode ser resolvido de forma eficaz. Ele faz isso expressando um enorme conjunto de dados de função integral de alta dimensão como uma sequência de partes menores conectadas. Para conseguir esta compressão, o framework conta com uma estratégia matemática conhecida como “interpolação cruzada de séries de tensores”.
Os pesquisadores também desenvolveram uma versão especializada do método que detecta simetrias cristalinas importantes no material. Ao detectar esses padrões, o THOR AI reduz drasticamente a quantidade de computação necessária. Cálculos que antes exigiam milhares de horas agora podem ser realizados em segundos sem comprometer a precisão.
Modelagem mais rápida para ciência e física de materiais
A equipe testou o THOR AI em vários sistemas materiais. Estes incluem metais como o cobre, gases nobres sob extrema pressão, como o argônio cristalino, e a complexa transição de fase do estanho em um sólido. Em cada caso, o novo método reproduziu resultados obtidos anteriormente na simulação de Los Alamos, ao mesmo tempo que funcionava mais de 400 vezes mais rápido.
A estrutura também se integra perfeitamente com modelos de aprendizado de máquina atômicos de última geração, permitindo a análise de materiais em uma ampla variedade de ambientes. Os pesquisadores dizem que essa flexibilidade torna o THOR AI uma ferramenta valiosa na ciência dos materiais, física e química.
“Esta descoberta substitui a modelagem centenária e a aproximação integral da configuração por um cálculo de primeiros princípios”, disse Duc Chiong, cientista de Los Alamos e principal autor do estudo publicado na Physical Review Materials. “THOR AI abre a porta para descobertas mais rápidas e uma compreensão mais profunda dos materiais.”
O projeto THOR está disponível em GitHub.
