IA e química: novo modelo prevê diretamente a matriz hessiana de moléculas, sem derivadas custosas, de 10 a 70 vezes mais rápido

Uma equipe da Universidade de Toronto publicou na Nature Computational Science um novo método, o HIP, que prevê diretamente a matriz hessiana completa de uma molécula, dispensando a custosa etapa de derivação. Previsão direta: uma única passagem direta fornece a matriz hessiana completa (3N×3N, derivadas de segunda ordem), sem diferenciação automática, diferenças finitas nem resolução de perturbações acopladas. Mais rápido e mais econômico: em moléculas pequenas, é de 10 a 70 vezes mais rápido que os métodos de aprendizado de máquina baseados em derivação, usa de 2 a 3 vezes menos memória de pico e reduz o erro de previsão aproximadamente à metade. Física embutida na arquitetura: baseado na rede neural de grafos equivariante EquiformerV2, a simetria de rotação e a simetria da matriz são garantidas pela construção, em vez de dependerem de serem aprendidas a duras penas com os dados de treinamento. A hessiana é essencial para calcular vibrações moleculares e caminhos de reação; quanto mais rápido ela for calculada, mais rápida pode ser a triagem de medicamentos e materiais. > Link original: [ver o original](https://bioengineer.org/ai-model-predicts-molecular-curvature-directly-skipping-costly-derivatives/). O texto é um resumo, apenas para referência.