A Academia Real das Ciências da Suécia atribuiu o Prémio Nobel da Física de 2024 a John J. Hopfield, da Universidade de Princeton, e Geoffrey E. Hinton, da Universidade de Toronto, pelas "descobertas e invenções fundamentais que possibilitam a aprendizagem automática com redes neurais artificiais". Este reconhecimento histórico marca a primeira vez que a pesquisa em aprendizagem automática (ML) recebe a mais alta distinção académica. Surge apenas dois anos após o lançamento inicial do ChatGPT (30 de novembro de 2022), um modelo poderoso que revolucionou as nossas vidas diárias e formas de pensar.

A aprendizagem automática permite que os computadores aprendam a partir de dados do mundo real, de forma semelhante à maneira como os humanos aprendem ao experimentar o seu ambiente. Imagine que possui uma vasta coleção de fotos de gatos e cães—estes são dados do mundo real. Ao fornecer essas imagens a um modelo de ML, ele pode aprender a distinguir entre gatos e cães com base em características como padrões de pelagem e formas das orelhas. Este tipo de ML muitas vezes depende de redes neurais artificiais, uma classe de modelos inspirada na estrutura do cérebro humano. Essas redes consistem em camadas de nós interconectados (neurónios) que processam dados de maneira semelhante ao funcionamento do nosso cérebro. À medida que os dados passam por essas camadas, cada uma extrai características cada vez mais complexas, permitindo que as redes neurais sejam eficazes em tarefas como reconhecimento de imagens, processamento de linguagem natural e até jogos complexos.

John J. Hopfield desenvolveu a rede de Hopfield, um tipo de rede neural artificial que permite o armazenamento e a recuperação de padrões—semelhante à forma como o nosso cérebro se lembra de imagens ou sons. A sua rede pode reconstruir imagens completas a partir de entradas parciais ou ruidosas, ajustando as conexões entre os seus nós para minimizar erros. Geoffrey E. Hinton, nascido em 1947 em Londres, Reino Unido, avançou ainda mais este trabalho com a máquina de Boltzmann, inspirada nas redes de Hopfield. Esta máquina aprende a reconhecer padrões em dados ajustando as suas conexões para encontrar os mais prováveis, tornando-a útil para tarefas como classificação de imagens e geração de novos exemplos a partir de padrões aprendidos.

Representação da rede de Hopfield (à esquerda) e da máquina de Boltzmann de Hinton (à direita). Imagem retirada de https://www.nobelprize.org/prizes/physics/2024/popular-information.

Quais serão os desenvolvimentos empolgantes que nos aguardam no futuro? Surpreender-lhe-ia saber que este artigo foi escrito por inteligência artificial? Consegue notar a diferença? Enquanto celebramos este feito monumental para a comunidade da aprendizagem automática, no CICECO estamos entusiasmados e otimistas em relação ao futuro. Estamos ativamente envolvidos na aplicação de ML para modelar novas propriedades de materiais, como prever a eficiência de concentradores solares para a captação de energia limpa [1,2] e estudar propriedades físico-químicas [3–5].

Recentemente, o CICECO acolheu um grupo de especialistas globais para discutir o futuro da inteligência artificial. Se perdeu, pode acompanhar aqui:

https://www.ciceco.ua.pt/?language=eng&menu=628&tabela=geral

https://www.youtube.com/watch?v=pdimP0rVFpg&list=PLl57eQK6k-zVlsiUZn5VH4K0wCfAw60Ns

[1]      P.S. André, L.M.S. Dias, S.F.H. Correia, A.N. Carneiro Neto, R.A.S. Ferreira, Artificial neural networks for predicting optical conversion efficiency in luminescent solar concentrators, Sol. Energy. 268 (2024) 112290. https://doi.org/10.1016/j.solener.2023.112290.

[2]      R.A.S. Ferreira, S.F.H. Correia, L. Fu, P. Georgieva, M. Antunes, P.S. André, Predicting the efficiency of luminescent solar concentrators for solar energy harvesting using machine learning, Sci. Rep. 14 (2024) 4160. https://doi.org/10.1038/s41598-024-54657-x.

[3]      D.O. Abranches, Y. Zhang, E.J. Maginn, Y.J. Colón, Sigma profiles in deep learning: towards a universal molecular descriptor, Chem. Commun. 58 (2022) 5630–5633. https://doi.org/10.1039/D2CC01549H.

[4]      D.O. Abranches, E.J. Maginn, Y.J. Colón, Boosting Graph Neural Networks with Molecular Mechanics: A Case Study of Sigma Profile Prediction, J. Chem. Theory Comput. 19 (2023) 9318–9328. https://doi.org/10.1021/acs.jctc.3c01003.

[5]      D.O. Abranches, E.J. Maginn, Y.J. Colón, Stochastic machine learning via sigma profiles to build a digital chemical space, Proc. Natl. Acad. Sci. 121 (2024). https://doi.org/10.1073/pnas.2404676121.

This specific text is authored by Dinis Abranches (Department of Chemistry and CICECO - Institute of Materials of Aveiro, University of Aveiro) and Albano Neto (Department of Physics and CICECO - Institute of Materials of Aveiro, University of Aveiro).