<\/p>\n
Os programas computacionais de aprendizado de m\u00e1quina se destacam de todos os outros por terem a capacidade de aprender a partir da experi\u00eancia, ou seja, a partir da intera\u00e7\u00e3o com um conjunto de dados. Quanto maior a experi\u00eancia, melhor \u00e9 o desempenho desses programas ou modelos na tarefa para a qual foram criados. Contudo, eles nem sempre funcionam \u00e0 perfei\u00e7\u00e3o. Erros acontecem, e poder detect\u00e1-los e resolv\u00ea-los \u00e9 essencial.<\/p>\n
Uma equipe de pesquisadores do CINE analisou os erros de um modelo de aprendizado de m\u00e1quina criado para predizer propriedades f\u00edsico-qu\u00edmicas de um grupo de materiais. \u201cOs resultados apresentados podem tornar o uso de m\u00e9todos de aprendizado de m\u00e1quina na Ci\u00eancia de Materiais mais assertivo e menos custoso\u201d, diz Luis Cesar de Azevedo<\/a>, um dos autores do artigo que reporta o estudo.<\/p>\n De fato, existe um interesse crescente no uso de ferramentas de aprendizado de m\u00e1quina com o objetivo de encontrar materiais ou mol\u00e9culas que tenham propriedades desejadas, de modo que possam cumprir com efici\u00eancia determinadas fun\u00e7\u00f5es em dispositivos ou sistemas. No programa de Ci\u00eancia Computacional de Materiais e Qu\u00edmica (CMSC) do CINE, trabalhos sobre aprendizado de m\u00e1quina vem sendo realizados com o objetivo de enfrentar a necessidade de desenvolver ou encontrar materiais eficientes para a gera\u00e7\u00e3o e armazenamento de energia.<\/p>\n Para explorar o\u00a0 conjunto praticamente infinito de mol\u00e9culas poss\u00edveis, m\u00e9todos experimentais s\u00e3o impens\u00e1veis e m\u00e9todos computacionais tradicionais n\u00e3o s\u00e3o suficientes, pois s\u00e3o relativamente demorados e, portanto, caros. Para se ter uma ideia, enquanto simular uma \u00fanica mol\u00e9cula por um m\u00e9todo convencional como a Teoria do Funcional da Densidade pode levar alguns dias, analisar dezenas de milhares de compostos por aprendizado de m\u00e1quina pode tomar poucos segundos.<\/p>\n Para isso, \u00e9 necess\u00e1rio desenvolver um algoritmo (um conjunto de instru\u00e7\u00f5es computacionais) e utilizar uma base de dados previamente obtida pela comunidade cient\u00edfica por m\u00e9todos experimentais ou te\u00f3ricos, como a que foi usada no estudo do CINE, que re\u00fane dados de mais de 133 mil mol\u00e9culas. O algoritmo deve, ent\u00e3o, fazer seu treinamento, interagindo com os dados e reconhecendo padr\u00f5es. O resultado dessa experi\u00eancia \u00e9 um modelo que ser\u00e1 capaz de predizer as propriedades de materiais e mol\u00e9culas que n\u00e3o constavam na base de dados inicial.<\/p>\n \u201cApesar de existirem modelos com uma alta acur\u00e1cia m\u00e9dia em alguns dom\u00ednios, esses modelos podem cometer erros discrepantes (outliers<\/em>) para algumas mol\u00e9culas\u201d, explica Luis C\u00e9sar, que \u00e9 membro do CMSC no CINE. \u201cEste trabalho demonstrou que uma vis\u00e3o detalhada do erro, decompondo-o em erros sistem\u00e1ticos (vi\u00e9s) e aleat\u00f3rios (vari\u00e2ncia), pode mostrar caracter\u00edsticas espec\u00edficas do desempenho de predi\u00e7\u00e3o\u201d, completa. O trabalho tamb\u00e9m identificou que a maioria dessas imprecis\u00f5es acontece com mol\u00e9culas planares (aquelas que possuem \u00e2ngulos mais abertos e maior dist\u00e2ncia entre seus \u00e1tomos). Felizmente, o artigo mostrou que \u00e9 poss\u00edvel reduzir os erros utilizando uma combina\u00e7\u00e3o de modelos de aprendizado de m\u00e1quina (ensemble<\/em>) para predizer as propriedades dos materiais. Al\u00e9m disso, segundo os autores, ao preparar o treinamento do algoritmo \u00e9 necess\u00e1rio realizar uma sele\u00e7\u00e3o mais criteriosa dos dados e dos descritores (os valores computacionais usados para descrever as mol\u00e9culas do banco de dados).<\/p>\n Este estudo foi realizado dentro da pesquisa de mestrado em Ci\u00eancia da Computa\u00e7\u00e3o que Luis Cesar est\u00e1 realizando na UFABC com a orienta\u00e7\u00e3o do professor Ronaldo C. Prati (UFABC). O trabalho contou com a colabora\u00e7\u00e3o de outros membros do CINE, os professores Juarez L. F. Da Silva (IQSC-USP) e Marcos G. Quiles (UNIFESP), e o doutorando Gabriel A. Pinheiro (UNIFESP).<\/p>\n Refer\u00eancia do artigo cient\u00edfico:\u00a0<\/b>Systematic Investigation of Error Distribution in Machine Learning Algorithms Applied to the Quantum-Chemistry QM9 Data Set Using the Bias and Variance Decomposition<\/em>. Luis Cesar de Azevedo, Gabriel A. Pinheiro, Marcos G. Quiles, Juarez L. F. Da Silva, and Ronaldo C. Prati. J. Chem. Inf. Model. 2021. https:\/\/doi.org\/10.1021\/acs. Autores do artigo que s\u00e3o membros do CINE: <\/b>Luis Cesar de Azevedo (mestrando na UFABC), Gabriel A. Pinheiro (doutorando na UNIFESP), Marcos G. Quiles (professor na UNIFESP), Juarez L. F. Da Silva (professor no IQSC-USP) e Ronaldo C. Prati (professor na UFABC).<\/p>","protected":false},"excerpt":{"rendered":" Os programas computacionais de aprendizado de m\u00e1quina se destacam de todos os outros por terem a capacidade de aprender a partir da experi\u00eancia, ou seja, a partir da intera\u00e7\u00e3o com um conjunto de dados. Quanto maior a experi\u00eancia, melhor \u00e9 o desempenho desses programas ou modelos na tarefa para a qual foram criados. Contudo, eles nem sempre funcionam \u00e0 perfei\u00e7\u00e3o. Erros acontecem, e poder detect\u00e1-los e resolv\u00ea-los \u00e9 essencial. Uma…<\/p>\n","protected":false},"author":3,"featured_media":5754,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[144,131],"tags":[],"acf":[],"_links":{"self":[{"href":"https:\/\/www.cine.org.br\/pb\/wp-json\/wp\/v2\/posts\/5753"}],"collection":[{"href":"https:\/\/www.cine.org.br\/pb\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.cine.org.br\/pb\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.cine.org.br\/pb\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.cine.org.br\/pb\/wp-json\/wp\/v2\/comments?post=5753"}],"version-history":[{"count":10,"href":"https:\/\/www.cine.org.br\/pb\/wp-json\/wp\/v2\/posts\/5753\/revisions"}],"predecessor-version":[{"id":6001,"href":"https:\/\/www.cine.org.br\/pb\/wp-json\/wp\/v2\/posts\/5753\/revisions\/6001"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.cine.org.br\/pb\/wp-json\/wp\/v2\/media\/5754"}],"wp:attachment":[{"href":"https:\/\/www.cine.org.br\/pb\/wp-json\/wp\/v2\/media?parent=5753"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.cine.org.br\/pb\/wp-json\/wp\/v2\/categories?post=5753"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.cine.org.br\/pb\/wp-json\/wp\/v2\/tags?post=5753"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
\n