Engenheiros da Universidade da Pensilvânia descobriram que bolhas em espumas cotidianas mudam constantemente de posição enquanto mantêm a forma geral da espuma, seguindo princípios matemáticos semelhantes aos do aprendizado profundo para IA. Isso desafia visões tradicionais de espumas como semelhantes ao vidro e sugere que comportamentos de aprendizado podem sustentar sistemas diversos de materiais a células. As descobertas, publicadas nos Proceedings of the National Academy of Sciences, podem informar materiais adaptativos e estruturas biológicas.
Espumas, encontradas em produtos como espuma de sabão e maionese, eram há muito consideradas semelhantes ao vidro, com bolhas fixas em posições desordenadas. No entanto, novas simulações computacionais de pesquisadores da Universidade da Pensilvânia revelam que bolhas em espumas úmidas vagam persistentemente por vários arranjos sem se estabilizar, mesmo enquanto a espuma retém sua forma. Esse comportamento dinâmico espelha o processo de aprendizado profundo em sistemas de inteligência artificial. No treinamento de IA, os parâmetros são ajustados iterativamente por métodos como descida de gradiente, evitando ajustes excessivamente precisos que prejudicam a generalização. Em vez disso, os sistemas exploram regiões mais amplas de soluções viáveis. «As espumas se reorganizam constantemente», observou John C. Crocker, professor de engenharia química e biomolecular e coautor sênior. «É impressionante que espumas e sistemas de IA modernos pareçam seguir os mesmos princípios matemáticos.» A física tradicional modelava bolhas de espuma como partículas rolando para estados de baixa energia, como pedras em um vale. No entanto, dados de quase duas décadas atrás mostraram discrepâncias. «Quando realmente olhamos os dados, o comportamento das espumas não correspondia ao previsto pela teoria», explicou Crocker. A equipe aplicou insights de otimização inspirados em IA, descobrindo que bolhas demoram em paisagens de energia planas com múltiplas configurações equivalentes. Coautor sênior Robert Riggleman, também em engenharia química e biomolecular, destacou um paralelo: «A percepção chave foi perceber que você não quer realmente empurrar o sistema para o vale mais profundo possível». Manter a IA em áreas mais planas permite melhor desempenho em novos dados, assim como o movimento contínuo da espuma. O estudo reabre questões na pesquisa de espumas e se estende a sistemas vivos, como o citoesqueleto celular, que se reorganiza enquanto preserva a estrutura. «Por que a matemática do aprendizado profundo caracteriza com precisão as espumas é uma questão fascinante», disse Crocker. Apoiada pela National Science Foundation, o trabalho envolveu coautores Amruthesh Thirumalaiswamy e Clary Rodríguez-Cruz, com detalhes completos no artigo PNAS de 2025 sobre espumas com amadurecimento viscoso.
