IA inaugura nova era na resolução de equações matemáticas difíceis

Pesquisadores da Universidade da Pensilvânia apresentaram um novo método de inteligência artificial capaz de lidar com um dos problemas mais desafiadores da matemática moderna: as chamadas equações diferenciais parciais inversas. Esse tipo de equação é usado para, a partir de dados observados, descobrir quais forças invisíveis estão por trás de fenômenos físicos e biológicos, da dinâmica do clima à organização do DNA dentro das células.

A inovação, batizada de “Mollifier Layers” (camadas de mollifier), não se apoia em mais poder de processamento, mas em um refinamento da própria matemática usada pelos modelos de IA. A técnica introduz, dentro da rede neural, camadas especiais que suavizam os dados de entrada antes que o algoritmo calcule como o sistema está mudando no espaço e no tempo. Com isso, torna-se possível tratar melhor informações ruidosas, reduzindo erros numéricos e instabilidades que costumam surgir quando os métodos tradicionais lidam com sistemas complexos.

Segundo o professor Vivek Shenoy, autor principal do estudo, resolver um problema inverso é como olhar as ondas de um lago e tentar descobrir, a partir delas, o ponto exato onde a pedra caiu. As consequências estão na superfície, mas a causa permanece escondida, e é justamente essa causa que os cientistas querem decifrar quando usam equações diferenciais parciais inversas.

Equações diferenciais são um pilar da modelagem científica, porque descrevem como um sistema evolui ao longo do tempo. No caso das equações diferenciais parciais, entram também as variações no espaço, o que permite estudar desde frentes de tempestade na atmosfera até a forma como o DNA se organiza e se dobra dentro do núcleo das células. Quando o problema é inverso, o ponto de partida são medições do mundo real, e a tarefa matemática é remontar o caminho até os parâmetros escondidos que explicam o comportamento observado.

Há anos, pesquisadores usam esse tipo de ferramenta para investigar a cromatina, estrutura na qual o DNA se associa a proteínas e assume diferentes estados de compactação. Esses estados influenciam quais genes ficam ativos ou silenciosos em processos como desenvolvimento, envelhecimento e surgimento de câncer, mas inferir os mecanismos epigenéticos responsáveis por essas mudanças se mostrou extremamente difícil.

Em muitos modelos de inteligência artificial, as derivadas exigidas por essas equações são calculadas por diferenciação automática recursiva, uma técnica poderosa, mas sensível a ruídos de medição e a arquiteturas muito profundas. Ao se depararem com essas limitações, os autores do estudo concluíram que era preciso, antes de tudo, “limpar” o sinal recebido, evitando que pequenas imperfeições nos dados fossem amplificadas durante o treinamento.

Para isso, eles recorreram a um conceito clássico da análise matemática: os “mollifiers”, funções suavizantes introduzidas nos anos 1940 pelo matemático Kurt Otto Friedrichs. Adaptado ao contexto da IA, esse princípio deu origem às camadas de mollifier, que filtram e suavizam as entradas da rede antes do cálculo das mudanças no sistema. O resultado é um modelo mais estável, menos sensível a ruídos e capaz de encontrar soluções confiáveis com menor demanda de energia computacional.

Os testes mostraram que o novo método reduz significativamente o ruído numérico e o custo de processamento necessário para resolver equações diferenciais parciais inversas. Ao suavizar o sinal logo na entrada, os pesquisadores conseguiram manter a precisão dos resultados ao mesmo tempo em que diminuíram a quantidade de recursos computacionais utilizados.

Uma das frentes mais promissoras para essa abordagem está justamente na genética e na biologia celular. Cromatina e outros componentes do núcleo operam em escalas microscópicas, mas determinam quais genes serão ativados ou bloqueados em diferentes condições fisiológicas. Se for possível reconstruir, a partir de dados experimentais, como as taxas de reação e os parâmetros físicos da cromatina mudam ao longo do envelhecimento, do desenvolvimento embrionário ou da progressão de tumores, abrem-se novas possibilidades para terapias capazes de redirecionar células a estados mais saudáveis.

Os autores do estudo destacam, porém, que o potencial das camadas de mollifier não se limita à biologia. A mesma estratégia pode ajudar a revelar parâmetros ocultos em modelos de previsão do tempo, simulações de materiais e em diversos outros sistemas científicos que dependem de equações diferenciais complexas alimentadas por dados ruidosos. A ambição de longo prazo é transformar registros observacionais — como séries de dados climáticos ou medições em laboratório — em compreensão mais profunda sobre as leis que governam esses processos.

Desenvolvida na Universidade da Pensilvânia, a pesquisa contou com apoio de instituições como o Instituto Nacional do Câncer e a Fundação Nacional de Ciências dos Estados Unidos. Para os cientistas envolvidos, o trabalho mostra que avanços em inteligência artificial não dependem apenas de chips mais rápidos, mas também de ideias matemáticas capazes de tornar problemas antes considerados intratáveis em desafios finalmente solucionáveis.