O uso da inteligência artificial e outras tecnologias na caracterização de fenômenos químicos e biológicos

Abstract

Modelos de aprendizagem estatística que utilizam métodos de Machine Learning (ML), como o Generalized Simulated Annealing (GSA), vêm sendo utilizados há décadas na química para diversas tarefas. Munido destas técnicas, nossos grupos de pesquisa têm se dedicado ao estudo cinético e mecanístico de processos reativos e não reativos aliado ao desenvolvimento de novos modelos e técnicas. Com o aumento da capacidade de processamento dos computadores e com advento de métodos sofisticados de ML, como o deep learning, vem se tornando cada vez mais necessário a criação de novas técnicas de análise bem como o desenvolvimento de plataformas que sistematizem essas técnicas. Neste sentido, o presente trabalho realiza três propostas de modelos teóricos que serão apresentadas juntamente ao desenvolvimento de interfaces gráficas e intuitivas: 𝑖) propomos aqui a função da transitividade: uma nova perspectiva sob o gráfico de Arrhenius que é capaz de linearizar curvaturas não Arrhenius e observar mudanças de regime. Sua aplicação linearizou a curvatura do processo de relaxamento do carbonato de propileno revelando uma quebra do regime à temperatura de 198𝐾. Além disso, o código Transitivity sistematiza ferramentas para lidar com a cinética de processos não Arrhenius, fornecendo opções para estimativa da constante cinética reacional em fases líquida e gasosa além de realizar ajuste de modelos cinéticos a partir de dados experimentais utilizando o GSA. Uma análise cinética da síntese de chalconas foi realizada usando o Transitivity. 𝑖𝑖) propomos também o modelo generalizado do coeficiente da temperatura 𝑄𝑑10, utilizado para avaliar o grau de dependência de processos biológicos com a temperatura. O modelo foi aplicado a uma série de casos da literatura recente: a qualidade dos ajustes reforçou a hipótese inicial de que o coeficiente da temperatura deve ser descrito através de exponenciais deformadas (𝑄𝑑10) ao invés do modelo usual de Arrhenius (𝑄10). Além disso, o modelo padrão 𝑄10 é um caso particular do modelo proposto, pois é recuperado quando o parâmetro deformado é igual a zero, validando assim sua justificativa geral. A interface 𝑄𝑑10 − 𝐺𝑆𝐴 desenvolvida estima parâmetros a partir de dados experimentais, traçando um paralelo entre o modelo usual 𝑄10 e o modelo proposto 𝑄𝑑10. 𝑖𝑖𝑖) propomos também modelos de deep learning baseados em redes neurais artificiais que aprendem com um banco de dados espectral para realizar inferências sobre propriedades estruturais de moléculas e realizar reconstruções dos espectros. As classificações realizadas pelos modelos ResNet34 e o modelo tabular apresentaram um bom desempenho utilizando espectros de infravermelho e massa, com valores de F1-Score entre 0.83 e 0.88 e acurácias de 96%. Os modelos de reconstrução apresentaram um erro quadrático médio de 0.005 e 0.007 na reconstrução dos espectros de massa e infravermelho, respectivamente. Com isso, o desenvolvimento destes modelos sugere que redes neurais são adequadas para a busca de novas técnicas de análise espectral e representam um passo no sentido da criação de técnicas de análise autônomas. Por fim, as interfaces intuitivas e amigáveis têm o intuito de disseminar os novos conceitos propostos e os autores esperam que possam ser utilizadas como poderosas ferramentas de pesquisa e didática no ensino de termodinâmica, cinética de processos e assuntos relacionados.