IA da Universidade da Pensilvânia aprende a trabalhar ao contrário e revela forças ocultas na natureza

Engenheiros da Universidade da Pensilvânia desenvolveram uma técnica baseada em inteligência artificial capaz de resolver alguns dos problemas matemáticos mais complexos usados para estudar o mundo natural. A abordagem, batizada de ‘Mollifier Layers’, foi projetada para lidar com equações diferenciais parciais inversas — uma classe de problemas que permite aos cientistas trabalhar de trás para frente, partindo de padrões visíveis para descobrir os processos ocultos que os originaram.

A analogia escolhida pelo professor Vivek Shenoy, titular da cátedra Eduardo D. Glandt President’s Distinguished Professor em Ciência e Engenharia de Materiais da universidade e autor sênior do estudo, é precisa e poética ao mesmo tempo. ‘Resolver um problema inverso é como olhar para as ondulações em um lago e trabalhar ao contrário para descobrir onde a pedra caiu’, afirmou Shenoy. ‘Você pode ver os efeitos com clareza, mas o verdadeiro desafio é inferir a causa oculta.’

O estudo foi publicado na revista Transactions on Machine Learning Research (TMLR) e será apresentado na Conferência sobre Sistemas de Processamento de Informação Neural (NeurIPS 2025). Trata-se de um avanço que toca diretamente campos tão distintos quanto genética, ciência dos materiais e previsão do tempo — todos eles dependentes de equações que descrevem como sistemas complexos mudam ao longo do tempo e do espaço.

As equações diferenciais parciais, conhecidas pela sigla PDEs, são ferramentas matemáticas fundamentais para modelar fenômenos que evoluem simultaneamente no tempo e no espaço. Cientistas as utilizam para estudar padrões climáticos, comportamento de materiais e até a organização do DNA dentro das células. As versões inversas dessas equações são especialmente difíceis porque invertem o processo habitual: em vez de partir de regras conhecidas para prever resultados, os pesquisadores começam com dados observados e tentam descobrir as dinâmicas ocultas responsáveis por eles.

O laboratório de Shenoy há anos se debruça sobre a cromatina — o estado compactado do DNA dentro do núcleo celular. Esses domínios de cromatina têm apenas 100 nanômetros de tamanho, mas exercem papel crítico na biologia porque controlam o acesso à informação genética, determinando quais genes são ativados ou silenciados. ‘Podíamos ver as estruturas e modelar sua formação, mas não conseguíamos inferir de forma confiável os processos epigenéticos que impulsionam esse sistema’, explicou o professor, referindo-se às mudanças químicas que controlam a expressão gênica.

No coração do desafio técnico está a diferenciação, processo matemático que mede variações. A maioria dos sistemas de IA que enfrenta PDEs inversas recorre à chamada diferenciação automática recursiva, que recalcula mudanças repetidamente ao longo de uma rede neural. O problema é que essa abordagem se torna instável ao lidar com sistemas de ordem superior ou dados ruidosos, além de consumir quantidades enormes de poder computacional. Os pesquisadores comparam o problema a ampliar repetidamente uma linha irregular: cada etapa magnifica imperfeições e ruídos, tornando o cálculo final menos confiável.

A solução veio de uma fonte histórica inesperada: os ‘mollifiers’, ferramentas matemáticas descritas pela primeira vez na década de 1940 pelo matemático germano-americano Kurt Otto Friedrichs, que mais tarde recebeu a Medalha Nacional de Ciências dos Estados Unidos. Mollifiers são projetados para suavizar funções irregulares ou ruidosas. Ao adaptar essa ideia para a inteligência artificial, a equipe criou uma ‘camada mollifier’ que suaviza os sinais antes que o sistema calcule as derivadas.

Ananyae Kumar Bhartari, graduado pelo programa de mestrado em Computação Científica da Penn Engineering e co-primeiro autor do artigo, descreveu a trajetória da descoberta com precisão. ‘Inicialmente assumimos que o problema tinha a ver com a arquitetura da rede neural’, disse Bhartari. ‘Mas, depois de ajustar cuidadosamente a rede, percebemos que o gargalo era a própria diferenciação automática recursiva.’ A implementação da camada mollifier, segundo ele, reduziu drasticamente tanto o ruído quanto o consumo de energia computacional.

O doutorando em Ciência e Engenharia de Materiais e co-primeiro autor do estudo — cujo nome completo não pôde ser confirmado na fonte consultada — sintetizou a filosofia por trás da inovação com uma frase que desafia o senso comum da corrida tecnológica atual. ‘A IA moderna frequentemente avança escalando a computação’, disse o pesquisador. ‘Mas alguns desafios científicos exigem matemática melhor, não apenas mais processamento.’ Essa perspectiva é especialmente relevante num momento em que a soberania tecnológica e o desenvolvimento científico autônomo ganham centralidade no debate global sobre quem controla as ferramentas do conhecimento.

As implicações para a biologia e a medicina são profundas. Se os cientistas conseguirem rastrear como as taxas de reação epigenética evoluem durante o envelhecimento, o câncer ou o desenvolvimento celular, abre-se a possibilidade de novas terapias. ‘Se as taxas de reação controlam a organização da cromatina e o destino celular, então alterar essas taxas poderia redirecionar as células para estados desejados’, afirmou o pesquisador. Isso significa que a técnica não apenas descreve o que acontece dentro de uma célula, mas aponta caminhos concretos para intervir nesse processo.

Como detalhou o portal SciTechDaily ao divulgar o estudo, os pesquisadores acreditam que as camadas mollifier podem ser úteis em muitas outras áreas da ciência além da biologia. Sistemas complexos em mecânica dos fluidos, aprendizado de máquina científico e ciência dos materiais frequentemente envolvem dados ruidosos e equações de ordem superior — exatamente o terreno onde a nova abordagem demonstrou sua eficácia. A pesquisa foi financiada pelo Instituto Nacional do Câncer, pela Fundação Nacional de Ciências e pelo Instituto Nacional de Imagens Biomédicas e Bioengenharia dos Estados Unidos.

O objetivo final, nas palavras do próprio Shenoy, transcende qualquer aplicação específica. ‘A meta é passar da observação de padrões complexos para a descoberta quantitativa das regras que os geram’, disse ele. ‘Se você entende as regras que governam um sistema, passa a ter a possibilidade de mudá-lo.’ Nessa frase reside a promessa mais radical da técnica: não apenas compreender a natureza, mas reescrever suas instruções.