{"id":7274,"date":"2025-09-03T17:16:47","date_gmt":"2025-09-03T20:16:47","guid":{"rendered":"https:\/\/staging.portaltela.com\/noticias\/2025\/09\/03\/inteligencia-artificial-preve-reacoes-quimicas-com-nova-abordagem-generativa\/"},"modified":"2025-09-03T17:16:47","modified_gmt":"2025-09-03T20:16:47","slug":"inteligencia-artificial-preve-reacoes-quimicas-com-nova-abordagem-generativa","status":"publish","type":"post","link":"http:\/\/54.92.202.131\/tecnologia\/2025\/09\/03\/inteligencia-artificial-preve-reacoes-quimicas-com-nova-abordagem-generativa\/","title":{"rendered":"Intelig\u00eancia artificial prev\u00ea rea\u00e7\u00f5es qu\u00edmicas com nova abordagem generativa"},"content":{"rendered":"

Pesquisadores do MIT desenvolveram o modelo FlowER<\/strong>, que promete revolucionar a previs\u00e3o de rea\u00e7\u00f5es qu\u00edmicas ao integrar princ\u00edpios fundamentais da f\u00edsica, como a conserva\u00e7\u00e3o de massa e el\u00e9trons<\/strong>. O estudo foi publicado em 20 de agosto na revista *Nature* e representa um avan\u00e7o significativo em rela\u00e7\u00e3o a tentativas anteriores que falharam por n\u00e3o considerar essas leis.<\/p>\n

O modelo FlowER, criado por uma equipe liderada pelo professor Connor Coley, utiliza uma matriz de el\u00e9trons para rastrear a transforma\u00e7\u00e3o de subst\u00e2ncias durante as rea\u00e7\u00f5es. Joonyoung Joung<\/strong>, um dos autores, destacou que a previs\u00e3o de resultados qu\u00edmicos \u00e9 crucial, especialmente na desenvolvimento de novos medicamentos<\/strong>. A abordagem anterior, que focava apenas nos insumos e produtos finais, ignorava etapas intermedi\u00e1rias e a necessidade de manter a massa constante.<\/p>\n

A inova\u00e7\u00e3o se baseia em um m\u00e9todo da d\u00e9cada de 1970, que permite a representa\u00e7\u00e3o precisa dos el\u00e9trons envolvidos nas rea\u00e7\u00f5es. Mun Hong Fong<\/strong>, ex-engenheiro de software e coautor do estudo, afirmou que essa representa\u00e7\u00e3o \u00e9 fundamental para garantir a conserva\u00e7\u00e3o de \u00e1tomos e el\u00e9trons. O modelo j\u00e1 foi treinado com dados de mais de um milh\u00e3o de rea\u00e7\u00f5es qu\u00edmicas, embora ainda n\u00e3o inclua certos metais e rea\u00e7\u00f5es catal\u00edticas.<\/p>\n

O FlowER \u00e9 um sistema em est\u00e1gio inicial, mas j\u00e1 demonstra potencial para predizer rea\u00e7\u00f5es em \u00e1reas como qu\u00edmica medicinal e descoberta de materiais<\/strong>. Coley ressaltou que, apesar das limita\u00e7\u00f5es atuais, o modelo pode ser uma ferramenta valiosa para mapear caminhos de rea\u00e7\u00f5es e avaliar reatividade. O acesso ao modelo ser\u00e1 disponibilizado gratuitamente no GitHub, promovendo a colabora\u00e7\u00e3o e o avan\u00e7o na pesquisa qu\u00edmica.<\/p>\n

Os pesquisadores est\u00e3o animados com as possibilidades futuras, incluindo a expans\u00e3o do modelo para incluir rea\u00e7\u00f5es mais complexas e a explora\u00e7\u00e3o de ciclos catal\u00edticos. O trabalho foi apoiado pela Machine Learning for Pharmaceutical Discovery and Synthesis<\/strong> e pela National Science Foundation<\/strong>.<\/p>\n","protected":false},"excerpt":{"rendered":"