Differential Learning for Robust Prediction of Thermal Stability with Application to Energetic Materials

Todo material tem um ponto de ruptura, um momento em que o calor se torna excessivo para suportar e as ligações químicas que o mantêm unido começam a se romper. Para os cientistas que projetam materiais energéticos — substâncias como explosivos e propelentes que impulsionam foguetes ou movem máquinas — conhecer esse ponto de ruptura é uma questão de vida ou morte. Se um material for muito instável, pode explodir prematuramente no armazenamento; se for muito estável, pode faler em desempenhar seu trabalho quando necessário. A maneira padrão de medir essa margem de segurança é aquecer uma amostra em um laboratório e registrar a temperatura exata na qual ela começa a se decompor. No entanto, essa medição simples é surpreendentemente difícil de confiar. Diferentes laboratórios usam diferentes velocidades de aquecimento, diferentes quantidades de amostra e diferentes formas de relatar os resultados. Quando os pesquisadores tentam reunir esses números de várias fontes para construir um modelo computacional, os dados tornam-se uma confusão ruidosa e inconsistente, tornando quase impossível ensinar uma máquina a prever quais novas moléculas serão seguras e quais serão perigosas.

Uma equipe de pesquisadores do Laboratório Nacional de Los Alamos e da Universidade Texas Tech encontrou uma maneira inteligente de cortar esse ruído. Em vez de tentar ensinar um computador a prever a temperatura exata na qual uma molécula irá se romper, eles o ensinaram a comparar duas moléculas por vez e decidir qual delas é mais estável. Essa abordagem, que eles chamam de aprendizado diferencial, ignora as diferenças confusas entre os laboratórios e foca inteiramente na ordem relativa dos materiais. Ao treinar a inteligência artificial para observar pares de moléculas e prever a diferença em sua estabilidade, a equipe criou um sistema que pode classificar milhares de compostos com alta precisidade. O trabalho deles sugere que, embora não possamos sempre confiar em um único número de um relatório de laboratório, podemos confiar confiavelmente na relação entre dois produtos químicos diferentes.

Os pesquisadores aplicaram este método a um conjunto de dados de moléculas orgânicas contendo apenas carbono, hidrogênio, nitrogênio e oxigênio, um grupo comum em materiais energéticos. Eles reuniram dados experimentais de estudos publicados, mas, como esperado, os números eram inconsistentes. Quando tentaram usar modelos computacionais padrão para prever a temperatura de decomposição exata para cada molécula, os resultados foram ruins. Os modelos tiveram dificuldade em distinguir entre moléculas que eram muito semelhantes e frequentemente falharam em identificar os valores discrepantes (outliers) mais estáveis ou menos estáveis. Essa falha destacou o problema: o ruído nos dados estava abafando os verdadeiros sinais químicos.

Para resolver isso, a equipe mudou a pergunta. Eles pararam de perguntar ao computador: "Qual é a temperatura desta molécula?" e começaram a perguntar: "Esta molécula é mais estável que aquela?". Eles forneceram ao computador pares de moléculas e pediram que ele previsse a diferença na estabilidade delas. Essa mudança permitiu que gerassem um número massivo de exemplos de treinamento a partir de um conjunto de dados relativamente pequeno. Se eles tivessem 850 moléculas, poderiam criar centenas de milhares de pares únicos para estudar. O computador aprendeu a detectar as características estruturais sutis que faziam uma molécula se manter unida melhor do que outra, filtrando efetivamente os erros experimentais que assolavam os números absolutos.

Eles testaram dois tipos diferentes de modelos computacionais para ver qual funcionava melhor. Um modelo olhava para as moléculas como grafos simples de átomos e ligações, aprendendo diretamente da forma da molécula. O outro modelo utilizava uma lista de propriedades calculadas, como quanta energia seria necessária para quebrar uma ligação específica, para tomar sua decisão. Ambos os modelos tiveram um desempenho notável. Ao serem solicitados a classificar as moléculas em um conjunto de teste, identificaram corretamente o membro mais estável de um par cerca de 87 por cento das vezes. Isso foi uma melhoria significativa em relação aos métodos tradicionais, que haviam tido dificuldade em dar sentido aos mesmos dados. O sucesso de ambos os modelos, apesar de usarem formas diferentes de observar as moléculas, deu aos pesquisadores confiança de que haviam encontrado uma maneira robusta de lidar com dados experimentais desorganizados.

Além de apenas classificar as moléculas, os pesquisadores queriam entender o que o computador estava realmente aprendendo. Eles usaram uma técnica para espiar dentro da "caixa preta" da rede neural e ver quais características estavam impulsionando as previsões. Descobriram que o computador dependia fortemente de dois fatores principais: o equilíbrio de oxigênio na molécula e a força de suas ligações químicas mais fracas. Isso se alinha com o que os químicos há muito suspeitam. Em materiais energéticos, a presença de oxigênio frequentemente correlaciona-se com maior desempenho, mas menor estabilidade, enquanto a ligação mais fraca em uma cadeia atua como um gatilho para a decomposição. No entanto, o estudo também revelou que nenhum fator isolado conta a história toda. O computador não olhou apenas para a ligação mais fraca de forma isolada; ele considerou a combinação inteira da forma da molécula, suas forças de ligação e sua composição química. Isso sugere que prever a estabilidade é um quebra-cabeça complexo onde a interação de muitas partes pequenas importa mais do que qualquer peça individual.

Para demonstrar como esse insight poderia ser usado no mundo real, a equipe usou uma molécula famosa e altamente estável, chamada TATB, como ponto de partida. Eles pediram ao computador para imaginar pequenas mudanças na estrutura da molécula e prever como essas mudanças afetariam sua estabilidade. O modelo identificou corretamente que substituir certos grupos de átomos por outros poderia fortalecer ou enfraquecer a molécula. Por exemplo, previu que trocar grupos específicos contendo hidrogênio por grupos contendo oxigênio tornaria a molécula significativamente menos estável. Por outro lado, sugeriu que remover certos grupos instáveis inteiramente poderia tornar a molécula ainda mais robusta. Essas descobertas fornecem um guia claro para químicos que desejam projetar novos materiais: eles sabem quais características estruturais manter e quais evitar para alcançar o equilíbrio certo entre potência e segurança.

O estudo conclui que esta abordagem diferencial é uma ferramenta poderosa para a descoberta de materiais, especialmente quando os dados disponíveis são imperfeitos. Ao focar em diferenças relativas em vez de valores absolutos, os pesquisadores foram capazes de construir um modelo que funciona bem, apesar das inconsistências na forma como os dados foram coletados. Eles disponibilizaram seu conjunto de dados e seus modelos ao público, esperando que outros usem este método para projetar materiais mais seguros e eficazes. Embora os modelos atuais sejam baseados nas propriedades de moléculas isoladas no vácuo, os pesquisadores reconhecem que os materiais do mundo real existem em formas sólidas onde as moléculas interagem entre si. Trabalhos futuros precisarão levar em conta essas interações, mas o sucesso deste novo método oferece um caminho promissor para navegar pela complexa química da estabilidade térmica.