Espumas aparecem na vida cotidiana como bolhas de sabão, creme de barbear, coberturas batidas e emulsões alimentares como a maionese. Por muitos anos, os cientistas acreditaram que as espumas se comportavam de maneira similar ao vidro, com seus pequenos componentes trancados em posições desordenadas, mas essencialmente fixas.
Nova pesquisa agora desafia essa visão duradoura. Engenheiros da Universidade da Pensilvânia descobriram que, enquanto as espumas mantêm sua forma geral, seus interiores estão em constante movimento. Ainda mais inesperadamente, a matemática que descreve esse movimento se assemelha muito ao aprendizado profundo, a técnica usada para treinar sistemas modernos de inteligência artificial.
Essa descoberta sugere que o aprendizado, em um sentido matemático amplo, pode ser um princípio organizacional compartilhado entre sistemas físicos, biológicos e computacionais. O trabalho também pode orientar futuros esforços para criar materiais que se adaptam e respondem ao seu entorno. Pode até ajudar os cientistas a entender melhor estruturas vivas que precisam se reorganizar continuamente, como a estrutura interna das células.
Bolhas que Nunca se Acomodam
Em um estudo publicado na Proceedings of the National Academy of Sciences, os pesquisadores usaram simulações computacionais para acompanhar o movimento das bolhas dentro de uma espuma úmida. Em vez de eventualmente se tornarem estacionárias, as bolhas continuaram vagando por várias arrumações possíveis.
De um ponto de vista matemático, esse comportamento se assemelha muito ao funcionamento do aprendizado profundo. Durante o treinamento, um sistema de IA ajusta repetidamente seus parâmetros – as informações que definem o que uma IA “sabe” – em vez de se fixar em um único estado final.
“As espumas se reorganizam constantemente”, diz John C. Crocker, professor de Engenharia Química e Biomolecular (CBE) e co-autor sênior do artigo. “É impressionante que espumas e sistemas modernos de IA pareçam seguir os mesmos princípios matemáticos. Compreender por que isso acontece ainda é uma questão em aberto, mas isso pode reformular nossa maneira de pensar sobre materiais adaptativos e até sistemas vivos.”
Por que as Espumas Desafiaram a Física Tradicional
As espumas frequentemente se comportam como sólidos em uma escala humana. Elas geralmente mantêm sua forma e podem retornar após serem comprimidas. Em escalas muito menores, no entanto, as espumas são consideradas materiais “bifásicos”, compostos por bolhas suspensas em um fundo líquido ou sólido.
Como as espumas são fáceis de fazer e observar, enquanto ainda exibem comportamentos mecânicos complexos, os cientistas há muito tempo as utilizam como sistemas modelo para estudar outros materiais densos e dinâmicos, incluindo células vivas.
Teorias tradicionais tratavam as bolhas de espuma como pedras rolando por uma paisagem de energia. Nesta perspectiva, as bolhas se movem para posições que exigem menos energia para manter e então permanecem lá. Essa ideia ajudou a explicar por que as espumas parecem estáveis uma vez formadas, muito como um bloco de pedra repousando no fundo de um vale.
Um Descompasso Entre Teoria e Realidade
Quando os pesquisadores examinaram dados reais de espuma, descobriram que o comportamento não alinhava com essas previsões. Segundo Crocker, os sinais desse descompasso apareceram há quase duas décadas, mas não havia ferramentas matemáticas adequadas para explicar completamente o que estava acontecendo.
“Quando realmente olhamos os dados, o comportamento das espumas não coincidiu com o que a teoria previa”, diz Crocker. “Começamos a ver essas discrepâncias há quase 20 anos, mas ainda não tínhamos as ferramentas matemáticas para descrever o que realmente estava acontecendo.”
Resolver esse quebra-cabeça exigiu uma nova abordagem, uma que pudesse descrever sistemas que continuam mudando sem jamais se fixar em uma única configuração.
Lições da Inteligência Artificial
Sistemas modernos de IA aprendem ajustando continuamente parâmetros numéricos durante o treinamento. Abordagens iniciais tentaram direcionar esses sistemas a uma única solução ótima que correspondesse perfeitamente aos seus dados de treinamento.
O aprendizado profundo depende de métodos de otimização relacionados a uma técnica matemática chamada descida de gradiente. Esses métodos orientam repetidamente um sistema em direção a configurações que reduzem erros, passo a passo, de maneira semelhante a descer uma paisagem.
Com o tempo, os pesquisadores perceberam que empurrar os modelos muito para as soluções mais profundas possíveis causava problemas. Sistemas que se ajustavam aos dados do treinamento de maneira excessiva tornavam-se frágeis e apresentavam um desempenho ruim em novas informações.
“A chave foi perceber que você não quer realmente empurrar o sistema para o fundo do vale mais profundo possível”, diz Robert Riggleman, professor de CBE e co-autor sênior do artigo. “Mantê-lo nas partes mais planas da paisagem, onde muitas soluções têm bom desempenho, acaba sendo o que permite que esses modelos generalizem.”
Espumas e IA Seguem as Mesmas Regras
Quando a equipe da Pensilvânia reexaminou seus dados de espuma sob essa perspectiva, a semelhança se tornou clara. As bolhas de espuma não se acomodam em posições profundas e estáveis. Em vez disso, continuam se movendo dentro de amplas regiões onde muitas configurações são igualmente viáveis.
Esse movimento contínuo se alinha de perto com a forma como os sistemas modernos de IA operam durante o aprendizado. A mesma matemática que ajuda a explicar por que o aprendizado profundo funciona também captura o que as espumas têm feito o tempo todo.
Implicações para Materiais e Sistemas Vivos
As descobertas levantam novas questões em um campo que muitos acreditavam já bem compreendido. Isso por si só pode ser uma das contribuições mais importantes do estudo.
Ao mostrar que as bolhas de espuma não estão congeladas em estados semelhantes ao vidro, mas sim se movem de maneiras semelhantes aos algoritmos de aprendizado, a pesquisa incentiva os cientistas a repensarem como outros sistemas complexos se comportam.
A equipe de Crocker agora está revisitando o sistema que despertou seu interesse inicial nas espumas: o citoesqueleto, a estrutura microscópica dentro das células que apoia a vida. Assim como a espuma, o citoesqueleto deve se reorganizar continuamente enquanto preserva sua estrutura geral.
“Por que a matemática do aprendizado profundo caracteriza com precisão as espumas é uma questão fascinante”, diz Crocker. “Isso sugere que essas ferramentas podem ser úteis muito além de seu contexto original, abrindo a porta para novas linhas de investigação.”
Esta pesquisa foi realizada na Escola de Engenharia e Ciências Aplicadas da Universidade da Pensilvânia e apoiada pela Divisão de Pesquisa de Materiais da National Science Foundation (1609525, 1720530).
Co-autores adicionais incluem Amruthesh Thirumalaiswamy e Clary Rodríguez-Cruz.