Nova ferramenta ajuda a entender variações nos resultados de previsão de conductividade térmica. Um estudo recente publicado na revista Nature Communications apresenta um novo método para avaliar a precisão dos modelos de inteligência artificial (IA) em prever propriedades físicas de materiais.

Apesar de existirem diversos modelos de IA para prever propriedades de materiais, a confiabilidade dessas previsões ainda é questionada. Michele Simoncelli, professor adjunto de Física Aplicada na Columbia, liderou a criação deste benchmark, que adiciona um nível crucial de consciência física aos modelos de IA.

O benchmark foi desenvolvido em colaboração com colegas da Universidade de Cambridge e permite identificar quando um modelo de IA prediz corretamente as propriedades macroscópicas de um material a partir de sua física atômica. Segundo Simoncelli, 'um modelo de ML pode dar previsões aparentemente sensatas, mas por motivos errados.'

Os modelos de IA usam dados de cálculos quânticos para prever interações atômicas, acelerando significativamente o processo em comparação com abordagens tradicionais. No entanto, esses modelos não são perfeitos e podem ter erros em forças, que determinam a dinâmica dos átomos.