Estudo publicado na Physical Review Letters mostra como sistemas físicos buscam explicar como as redes neurais aprendem, especificamente, utilizou sistema conhecido como sistema mola-bloco para explicar a dinâmica do aprendizado que se refere a blocos interligados por molas onde interações lineares e não-lineares têm efeito, quer dizer, cada camada da rede neural é um bloco e a conexão entre as camadas é representada pela mola e a forma como a rede simplifica os dados corresponde à extensão da mola, enquanto a não-linearidade na rede é representada pelo atrito entre blocos e a superfície, daí, a descoberta que, assim como uma cadeia de mola-bloco responde a uma força de tração a rede neural responde quanto errou na previsão separando os dados camada por camada. A analogia possibilitou criação de diagrama de fases descrevendo como níveis de não-linearidade e ruído influenciam o aprendizado além de identificarem que o ruído desempenha papel no treinamento de uma rede neural, assim como em um sistema oscilatório onde vibrações podem distribuir melhor a energia, o ruído nas redes neurais pode contribuir para que a separação de dados seja mais equilibrada ao longo das camadas possibilitando compreender como o ruído deve ser considerado em um treinamento e, em vez de ter como objetivo apenas sua redução, pode atuar como regularizador da rede, dessa forma, funcionaria como regularizador que servem para auxiliar na generalização do modelo. Essa perspectiva utilizando sistema análogo na Física abre caminho à Interpretabilidade em compreender e otimizar redes neurais, mesmo com um sistema simples envolvendo poucos parâmetros físicos, é possível descrever sua arquiteturas com bilhões de parâmetros, abordagem que pode reduzir custo e tempo para treinar modelos gigantes, além disso, a analogia abre portas à realização de diagnósticos mais sofisticados capazes de identificar problemas, algo semelhante seria os mapas de estresse que os engenheiros usam para evitar falhas em estruturas, por fim, a Física tem sido usada há décadas como meio de auxílio a criar designs IA tanto de software quanto de hardware.
Pesquisa demonstra que a colaboração entre humanos e algoritmos ML, aprendizado de máquina, pode desvendar problemas que, sozinhos, nenhum dos 2 resolveria, quer dizer, IA desvenda caminhos e, desta vez, na física quântica oferecendo lição à outras disciplinas, mesmo com dados limitados, em abordagem correta e escolha do modelo adequado, trata-se de aliada na resolução dos enigmas. A questão que desafia IA na ciência é a escassez de dados em que a maioria dos algoritmos requer grandes volumes de informação para obter resultados confiáveis, no entanto, em áreas como a física da matéria condensada nem sempre está disponível, com estudo que se concentrou em ímãs frustrados, tipo de material em que os elementos magnéticos interagem de forma complexa e não conseguem se alinhar de forma estável, comportamentos que parecem caóticos mas escondem padrões à compreensão de tecnologias futuras como a computação quântica. Ao analisar o que acontece com certos ímãs quando são resfriados a quase zero absoluto em que alguns materiais entram em um estado conhecido como líquido de spin no qual os momentos magnéticos flutuam constantemente semelhante às moléculas de água no estado líquido, surge a questão o que acontece quando esse líquido magnético é ainda mais resfriado e os modelos tradicionais não conseguiam identificar a fase resultante, neste espaço, IA entrou em ação, com Físicos do OIST, Instituto de Ciência e Tecnologia de Okinawa se unindo a especialistas IA da LMU Munique que desenvolveram algoritmo de aprendizado de máquina para classificar as fases magnéticas sem treinamento prévio, com a vantagem da interpretabilidade, ao contrário das redes neurais tradicionais que operam como "caixa preta", esse modelo permite que os pesquisadores entendam por que ele toma cada decisão tornando-o útil em contextos científicos onde os resultados devem ser explicáveis e reproduzíveis. A parte mais interessante da experiência é que nem os investigadores humanos nem IA conseguiram resolver o problema sozinhos e através de um "diálogo" constante entre os dois, onde cada parte contribuiu com o que a outra não conseguia ver, segundo os pesquisadores, "como trabalhar com um colega, a IA detectou padrões que não víamos e guiamos o algoritmo na direção certa", exemplo de colaboração simbólica onde a intuição humana e a precisão computacional se reforçam mutuamente. Este avanço abre portas a novas metodologias na investigação científica e, não se trata de substituir pesquisadores, mas, de adicionar ferramentas que lhes permitam enxergar além do óbvio, em áreas como física quântica onde os sistemas são tão complexos que desafiam a imaginação e a colaboração com algoritmos pode fazer a diferença entre estagnação e progresso.
Moral da Nota: computação quântica mostra oportunidade para revolucionar descoberta, desenvolvimento e entrega de medicamentos, permitindo simulações moleculares otimizando processos complexos, considerando que enfrenta declínio na produtividade de P&D devido altas taxas de falha de medicamentos no desenvolvimento decorrente necessidade de ensaios clínicos maiores e mais complexos, daí, mudança à produtos biológicos e moléculas pequenas mais complexas e foco em doenças complexas e mal compreendidas como Huntington e Alzheimer levando a necessidade de soluções tecnológicas inovadoras, incluindo modelagem mais precisa. Inteligência Artificial ajuda aprimorar simulações moleculares e análise de dados, no entanto, enfrenta desafios na modelagem das interações em nível quântico críticas ao desenvolvimento de medicamentos, com IA mostrando dificuldades para lidar com a natureza complexa e dinâmica dos sistemas químicos e ser limitada pela disponibilidade e qualidade dos dados de treinamento, restrições que podem impedir abordagem mais completa as complexidades de interações moleculares deixando lacunas nas capacidades de pesquisa. A computação quântica, CQ, busca transformar a indústria de ciências da vida com estimativas de criação potencial de valor de US$ 200 bilhões a US$ 500 bilhões até 2035, sendo que a fonte desse valor e o que a diferencia das tecnologias anteriores é a capacidade única da CQ realizar cálculos de princípios com base nas leis fundamentais da física quântica, capacidade que representa avanço em direção à pesquisa preditiva, ao criar simulações de interações moleculares do zero, sem depender de dados experimentais existentes, permite previsões computacionalmente propriedades-chave como toxicidade e estabilidade, reduzindo necessidade de experimentos em laboratório gerando dados de qualidade que, de outra forma, não estariam disponíveis ao treinamento de modelos avançados IA, mudança fundamental que pode transformar a cadeia de valor, desde a descoberta inicial a entrega ao paciente. Embora em seus estágios iniciais, a era do CQ prático nas ciências da vida se aproxima com empresas farmacêuticas explorando possibilidades por meio de colaborações com pioneiros em tecnologia quântica, com a Amgen, por exemplo, usando recursos de CQ do Quantinuum para estudar a ligação de peptídeos, a IBM e Moderna simulando com sucesso sequências de mRNA usando abordagem híbrida quântica-clássica e a Biogen trabalhando com a 1QBit para acelerar comparações de moléculas à doenças neurológicas como Alzheimer e Parkinson, enquanto a AstraZeneca colabora com a Amazon Web Services, IonQ e NVIDIA para demonstrar fluxo de trabalho de química computacional acelerada quântica à reação química usada na síntese de medicamentos de pequenas moléculas, embora computadores quânticos tolerantes a falhas estejam em desenvolvimento, roteiros indicam que sistemas mais poderosos e capazes surgirão nos próximos 2 a 5 anos oferecendo aplicações e benefícios tangíveis e reais à indústria.