As espumas aparecem no dia a dia como sabonetes, cremes de barbear, coberturas batidas e emulsões alimentares como a maionese. Durante muitos anos, os cientistas acreditaram que as espumas se comportavam como o vidro, com os seus pequenos componentes desordenados, mas presos em posições essencialmente fixas.
Novas pesquisas desafiam agora essa visão de longa data. Engenheiros da Universidade da Pensilvânia descobriram que, embora as espumas mantenham a sua forma geral, o seu interior está em constante movimento. Ainda mais inesperadamente, a matemática que descreve estes movimentos assemelha-se à aprendizagem profunda, uma técnica utilizada para treinar sistemas modernos de inteligência artificial.
Esta descoberta sugere que a aprendizagem, num sentido matemático amplo, pode ser um princípio organizador partilhado entre sistemas físicos, biológicos e computacionais. O trabalho também poderá orientar esforços futuros para criar materiais que se adaptem e respondam ao ambiente. Pode até ajudar os cientistas a compreender melhor as estruturas vivas que devem reconstruir-se constantemente, como a estrutura interna das células.
Bolhas que nunca resolvem
Em um estudo publicado pelo Dr. Anais da Academia Nacional de CiênciasOs pesquisadores usaram simulações de computador para acompanhar o movimento das bolhas na espuma úmida. Em vez de finalmente assentarem, as bolhas tendem a se mover através de muitos arranjos possíveis.
Do ponto de vista matemático, esse comportamento é análogo à realização de aprendizagem profunda. Durante o treinamento, um sistema de IA ajusta repetidamente seus parâmetros – as informações que definem o que uma IA “sabe” – em vez de ficar preso a um único estado final.
“As espumas se reformam constantemente”, diz John C. Crocker, professor de engenharia química e biomolecular (CBE) e co-autor sênior do artigo. “É interessante que a espuma e os sistemas modernos de IA pareçam seguir os mesmos princípios matemáticos. Compreender por que isso acontece ainda é uma questão em aberto, mas pode remodelar a forma como pensamos sobre materiais adaptativos e até mesmo sobre sistemas vivos.”
Por que a espuma desafia a física tradicional
As espumas muitas vezes se comportam como sólidos na escala humana. Eles geralmente mantêm sua forma e podem voltar após serem espremidos. Em escalas muito menores, entretanto, as espumas são consideradas materiais “bifásicos”, compostos de bolhas suspensas em um fundo líquido ou sólido.
Como as espumas são fáceis de fabricar e ainda apresentam um comportamento mecânico complexo, os cientistas há muito as utilizam como sistemas modelo para estudar outros materiais densos e dinâmicos, incluindo células vivas.
As teorias tradicionais tratam as bolhas de espuma como pedras rolando por uma paisagem energética. Nesse cenário, as bolhas caem para posições que requerem menos energia para serem mantidas e depois permanecem lá. Esta ideia ajudou a explicar porque é que as espumas parecem estáveis depois de formadas, tal como as rochas no fundo de um vale.
Um descompasso entre teoria e realidade
Quando os pesquisadores examinaram os dados reais da espuma, descobriram que o comportamento não se alinhava com essas previsões. Segundo Crocker, os sinais desta discrepância surgiram há cerca de duas décadas, mas não existiam ferramentas matemáticas adequadas para explicar completamente o que estava a acontecer.
“Quando analisamos os dados, o comportamento da espuma não correspondia às previsões da teoria”, disse Crocker. “Começamos a ver essas anomalias há cerca de 20 anos, mas ainda não tínhamos as ferramentas matemáticas para descrever o que realmente estava acontecendo”.
Resolver esse quebra-cabeça requer uma nova abordagem, que possa descrever sistemas que continuam a mudar sem nunca se estabelecerem em uma configuração única e estática.
Aprendendo com inteligência artificial
Os sistemas modernos de IA aprendem ajustando continuamente os parâmetros numéricos durante o treinamento. As primeiras abordagens tentaram levar esses sistemas a uma única solução ideal que correspondesse perfeitamente aos seus dados de treinamento.
O aprendizado profundo depende de uma abordagem de otimização envolvendo uma técnica matemática chamada gradiente descendente. Esses métodos conduzem iterativamente um sistema a uma configuração que reduz o erro passo a passo, como se estivesse descendo uma colina em uma paisagem.
Com o tempo, os pesquisadores perceberam que levar os modelos muito longe nas soluções mais profundas possíveis levava a problemas. Os sistemas que se ajustam muito bem aos seus dados de treinamento tornam-se frágeis e apresentam desempenho insatisfatório com novas informações.
“O principal insight foi perceber que não se quer realmente empurrar o sistema para o vale mais profundo possível”, disse Robert Riggleman, professor da CBE e co-autor sênior do artigo. “Colocá-lo em uma parte mais plana da paisagem, onde muitas soluções funcionam igualmente bem, é o que permite a generalização desses modelos.”
Espuma e IA seguem as mesmas regras
Quando a equipe da Penn reexaminou seus dados de espuma usando essa perspectiva, a semelhança tornou-se aparente. As bolhas de espuma não se depositam em posições profundas e estáveis. Em vez disso, eles se movem dentro de uma ampla faixa onde muitas configurações são igualmente eficazes.
Essa velocidade de corrida é muito semelhante à forma como os sistemas modernos de IA funcionam durante o aprendizado. A mesma matemática que ajuda a explicar por que o aprendizado profundo funciona também captura o que as espumas estão fazendo o tempo todo.
Implicações para materiais e sistemas vivos
As descobertas levantam novas questões num campo que muitos acreditavam já ser bem compreendido. Isso por si só pode ser uma das contribuições mais importantes do estudo.
Ao mostrar que as bolhas de espuma não congelam num estado semelhante ao vidro, mas sim movem-se de uma forma que os algoritmos aprendem, a investigação incentiva os cientistas a repensar como outros sistemas complexos se comportam.
A equipe de Crocker está agora revisitando o sistema que primeiro despertou seu interesse pelas espumas: o citoesqueleto, as estruturas microscópicas dentro das células que sustentam a vida. Tal como a espuma, o citoesqueleto deve reorganizar-se constantemente, preservando a sua estrutura global.
“Por que a matemática do aprendizado profundo identifica bolhas com precisão é uma questão interessante”, disse Crocker. “Isto indica que estas ferramentas podem ser úteis fora do seu contexto original, abrindo a porta a uma nova linha de investigação”.
Esta pesquisa foi conduzida na Escola de Engenharia e Ciências Aplicadas da Universidade da Pensilvânia e foi apoiada pela Divisão de Pesquisa de Materiais da National Science Foundation (1609525, 1720530).
Coautores adicionais incluem Amaruthesh Thirumlaiswamy e Clary Rodriguez-Cruz.
