GERAÇÃO DE MOLÉCULAS BASEADA EM REDES NEURAIS RECORRENTES E ANÁLISE DE PROPRIEDADES TERMODINÂMICAS

Com o avanço do aprendizado profundo, técnicas baseadas em redes neurais recorrentes (RNN) surgem como alternativas eficazes para o design molecular, possibilitando a criação de compostos inéditos a partir de bases de dados químicas, potencialmente acelerando o processo de desenvolvimento de novos materiais. Assim, a presente pesquisa teve como objetivo a utilização de RNN para a geração de novas moléculas válidas e avaliação de diversas propriedades, como gap de energia e perfil sigma. Para isso, utilizou-se uma amostra da base de dados GDB13 para o treinamento, contando com exatamente 1 milhão de moléculas. Além disso, um estudo de otimização dos hiperparâmetros (número de neurônios, taxa de aprendizado, dropout, tamanho de lote) foi realizado utilizando o algoritmo de otimização bayesiana, o qual permite aproximações robustas em modelos complexos que demandam alto poder computacional. O algoritmo realizou 30 iterações por 30 épocas com cada combinação de hiperparâmetros. A arquitetura considerada de melhor desempenho definiu-se pelo menor erro de validação durante o processo de otimização, uma vez encontrada sua configuração ótima, essa arquitetura foi utilizada para a geração de um conjunto de 100 moléculas. Para a avaliação das moléculas geradas, analisou-se a porcentagem de moléculas válidas e a unicidade do conjunto, além disso, estudou-se a diversidade do conjunto, utilizando a similaridade de Tanimoto com o objetivo de verificar se o modelo explorou de forma eficaz o espaço químico. As arquiteturas sugeridas pelo algoritmo de otimização convergiram de forma satisfatória, foi possível observar também regiões nas quais o otimizador permaneceu, indicando que certos valores de hiperparâmetros contribuíam positivamente para o desempenho do modelo. Portanto, observou-se a capacidade que RNNs possuem de acelerar processos industriais, sugerindo moléculas substitutivas para melhorar a eficiência de processos químicos e com uma maior viabilidade econômica.