Resta agora responder à questão de como é feita a aprendizagem. Os avanços científicos na área da neurofisiologia permitiram uma melhor compreensão da anatomia e funcionamento do cérebro humano tendo contribuído para o desenvolvimento de modelos matemáticos e algoritmos que tentam simular a forma como o cérebro processa a informação. Apesar da dificuldade de reproduzir o comportamento do cérebro, visto que o conhecimento sobre o seu funcionamento é ainda apenas parcial, sabe-se que é a força sináptica que determina a intensidade do sinal que é transmitido entre neurónios. A adaptação da força sináptica a um problema em particular constitui a essência da aprendizagem.

Uma rede neuronal artificial tem a capacidade de aprender com a informação que lhe é fornecida e de melhorar a sua performance durante o processo de aprendizagem - aprende por um processo iterativo de ajuste das forças sinápticas (pesos). É capaz, a cada iteração do processo de aprendizagem, de aperfeiçoar a sua representação e compreensão do problema em questão, ou seja, aprende por treino e experiência segundo certas regras pré-definidas. Ao conjunto de regras pré-definidas pelo qual se faz a alteração dos pesos dá-se o nome de algoritmo de aprendizagem. Existem diversos algoritmos de aprendizagem que diferem entre si na forma como os pesos são corrigidos e da estrutura da rede. A Figura 2 mostra de uma forma geral a arquitetura de uma rede neuronal artificial e ilustra o processo de aprendizagem (correção dos pesos) numa rede de feed-forward.

Uma entrada que descreva em maior detalhe a estrutura e função do neurónio artificial, estrutura da rede neuronal, vários algoritmos de aprendizagem e tipos de redes neuronais irá ser apresentada no futuro.

Redes Neuronais em Química

As redes neuronais são utilizadas em química na resolução dos mais diversos problemas desde os mais simples até à modelação de relações complexas não lineares entre o input e o output podendo ser utilizadas em problemas de classificação, regressão, mapeamento e clustering.

Um problema relevante em Química relacionado igualmente com outras áreas diz respeito à obtenção de compostos com uma determinada propriedade ou atividade. O objetivo é estabelecer relações estrutura-propriedade ou estrutura-atividade (em inglês Structure-Property Relationships, SPR, e Structure-Activity Relationships, SAR, respetivamente) ou mesmo quantificar essas relações em relações quantitativas estrutura-atividade e relações quantitativas estrutura-propriedade (em inglês Quantitative Structure-Property Relationships, QSPR, e Quantitative Structure-Activity Relationships, QSAR).

Tais relações permitem prever determinada propriedade/atividade a partir da fórmula estrutural do composto. Para um conjunto de compostos que se saiba à partida o valor da propriedade/atividade são calculados a partir da estrutura molecular descritores moleculares do composto. O par descritores moleculares - propriedade/atividade, para cada objeto do conjunto de treino, é usado pela rede neuronal para aprender a relação. Após o processo de aprendizagem a rede é capaz de fazer previsões para compostos cuja valor da propriedade/atividade desejada é desconhecido. Tal pode ser usado para o desenho de novos fármacos com uma atividade especifica.

Outro exemplo de uma aplicação relevante é o caso da elucidação estrutural - obter a estrutura molecular de um composto desconhecido a partir de informação espectroscópica (essencialmente espectroscopia de infravermelho, ressonância magnética nuclear e espectrometria de massa) e em sentido inverso a previsão de espectros a partir da estrutura molecular. O desenho de sínteses e planeamento de reações químicas é outra área onde a investigação utilizando redes neuronais tem sido capaz de dar o seu contributo na resolução dos mais variados problemas.

A classificação de reações químicas é outro campo que atraiu recentemente muita atenção devido à importância crescente das reações metabólicas, reatividade química em toxicologia e química medicinal.

Em Química Analítica as redes neuronais têm sido utilizadas nas mais variadas aplicações de classificação de amostras, desde a classificação em termos da origem geográfico da origem da amostra (azeites, vinhos, petróleos etc), a origem da produção, a qualidade da amostra etc.