Como a IA está nos ajudando a descobrir materiais mais rápido do que nunca

Podemos prever quais compostos podem criar materiais antes de colocar os pés em um laboratório

Por centenas de anos, novos materiais foram descobertos por tentativa e erro, ou sorte e serendipidade. Agora, os cientistas estão usando inteligência artificial para acelerar o processo.

Recentemente, pesquisadores da Northwestern University usaram a IA para descobrir como fazer novos híbridos de metal e vidro 200 vezes mais rápido do que fariam em experimentos em laboratório. Outros cientistas estão construindo bancos de dados de milhares de compostos para que os algoritmos possam prever quais deles se combinam para formar novos materiais interessantes. Outros ainda estão usando IA para minerar artigos publicados em busca de “receitas” para fazer esses materiais.

No passado, cientistas e construtores misturavam materiais para ver o que se formava. Foi assim que o cimento, por exemplo, foi descoberto. Com o tempo, eles aprenderam as propriedades físicas de vários compostos, mas muito do conhecimento ainda era baseado na intuição. “Se você perguntasse por que o aço aguado japonês era melhor para fazer facas, acho que ninguém poderia ter dito a você”, disse James Warren, diretor da Materials Genome Initiative do National Institute of Standards and Technology. “Eles acabaram de ter a compreensão de um artesão da relação entre aquela estrutura interna e grandiosidade.”

Agora, em vez de usar o conhecimento do artesão, podemos usar bancos de dados e cálculos para mapear rapidamente exatamente o que torna um material muito mais forte ou mais leve – e isso tem o potencial de revolucionar indústria após indústria, de acordo com Warren. O tempo entre descobrir um material e integrá-lo a um produto como uma bateria pode ser mais de 20 anos, acrescenta ele, e acelerar o processo certamente nos levará a melhores baterias e vidro para telefones celulares, melhores ligas para foguetes e melhores sensores para dispositivos de saúde. “Qualquer coisa feita de matéria”, diz Warren, “nós podemos melhorar”.

Outra maneira de usar IA é criar um “livro de receitas” ou uma coleção de receitas de materiais

Para entender como novos materiais são feitos, é útil pensar em um cientista de materiais como um cozinheiro, de acordo com Warren. Digamos que você tenha ovos e esteja com vontade de algo em borracha e firme. Essas são as propriedades do prato que você deseja, mas como chegar lá? Para criar uma estrutura onde a clara e a gema sejam sólidas, você precisa de uma receita que inclua as instruções passo a passo para processar o ovo – cozinhá-lo – do jeito que você quiser. A ciência dos materiais usa os mesmos conceitos: se um cientista deseja certas propriedades do material (digamos, leve e difícil de fraturar), ele procura as estruturas físicas e químicas que criariam essas propriedades e os processos – como derreter ou bater metal – que criaria essas estruturas.

Bancos de dados e cálculos podem ajudar a encontrar respostas. “Fazemos cálculos de materiais em nível de mecânica quântica, cálculos sofisticados o suficiente para que possamos realmente prever as propriedades de um possível novo material em um computador antes que ele seja feito em um laboratório”, diz Chris Wolverton, cientista de materiais da Northwestern University que dirige o Open Quantum Materials Database. (Outros bancos de dados importantes incluem o Projeto de Materiais e a Nuvem de Materiais.) Os bancos de dados não estão completos, mas estão crescendo e já nos proporcionando descobertas empolgantes.

Nicola Marzari, pesquisadora da École Polytechnique Fédérale de Lausanne da Suíça, usou bancos de dados para encontrar materiais 3D que podem ser separados para criar materiais 2D de apenas uma camada. Um exemplo disso é o muito badalado grafeno, que consiste em uma única folha de grafite, o material de um lápis. Como o grafeno, esses materiais 2D podem ter propriedades extraordinárias, como resistência, que não têm em sua forma 3D.

A equipe de Marzari teve um algoritmo de peneiração de informações de vários bancos de dados. Partindo de mais de 100.000 materiais, o algoritmo acabou encontrando cerca de 2.000 materiais que poderiam ser descascados em uma camada, de acordo com o artigo Marzari publicado no mês passado na Nature Nanotechnology. Marzari, que administra o Materials Cloud, diz que esses materiais são um “tesouro” porque muitos têm propriedades que podem melhorar a eletrônica. Alguns conduzem eletricidade muito bem, alguns podem converter calor em água, alguns absorvem energia do Sol: eles podem ser úteis para semicondutores em computadores ou baterias, então o próximo passo é investigar essas possíveis propriedades mais de perto.

O trabalho de Marzari é um exemplo de como os cientistas estão usando bancos de dados para prever quais compostos podem criar materiais novos e interessantes. Essas previsões, no entanto, ainda precisam ser confirmadas em laboratório. E Marzari ainda precisava dizer a seu algoritmo para seguir certas regras, como procurar ligações químicas fracas. A inteligência artificial pode criar um atalho: em vez de programar regras específicas, os cientistas podem dizer à IA o que desejam criar – como um material super forte – e a IA dirá aos cientistas qual é o melhor experimento a ser executado para fazer o novo material.

Ainda assim, as próprias previsões usam um modelo simplificado que não leva em consideração o mundo real

Foi assim que Wolverton e sua equipe da Northwestern usaram a IA para um artigo publicado este mês na Science Advances. Os pesquisadores estavam interessados ​​em fazer novos vidros metálicos, que são mais fortes e menos rígidos do que metal ou vidro e poderiam um dia melhorar telefones e espaçonaves.

O método de IA que eles usaram é semelhante ao modo como as pessoas aprendem um novo idioma, diz o co-autor do estudo Apurva Mehta, cientista do SLAC National Accelerator Laboratory da Stanford University. Uma maneira de aprender um idioma é sentar e memorizar todas as regras gramaticais. “Mas outra forma de aprender é simplesmente por experiência e ouvir outra pessoa falar”, diz Mehta. A abordagem deles foi uma combinação. Primeiro, os pesquisadores examinaram artigos publicados para encontrar o máximo de dados possível sobre como os diferentes tipos de vidros metálicos foram feitos. Em seguida, eles alimentaram essas “regras gramaticais” em um algoritmo de aprendizado de máquina. O algoritmo então aprendeu a fazer suas próprias previsões de qual combinação de elementos criaria uma nova forma de vidro metálico – semelhante a como alguém pode melhorar seu francês indo para a França em vez de memorizar interminavelmente os gráficos de conjugação. A equipe de Mehta então testou as sugestões do sistema em experimentos de laboratório.

Os cientistas podem sintetizar e testar milhares de materiais de uma vez. Mas, mesmo nessa velocidade, seria uma perda de tempo experimentar às cegas todas as combinações possíveis. “Eles não podem simplesmente jogar toda a tabela periódica em seus equipamentos”, diz Wolverton, então o papel da IA ​​é “sugerir alguns lugares para eles começarem”. O processo não era perfeito e algumas sugestões – como a proporção exata de elementos necessários – estavam erradas, mas os cientistas foram capazes de formar novos vidros metálicos. Além disso, fazer os experimentos significa que agora eles têm ainda mais dados para alimentar o algoritmo, de forma que ele fica cada vez mais inteligente.

Outra maneira de usar IA é criar um “livro de receitas” ou uma coleção de receitas de materiais. Em dois artigos publicados no final do ano passado, os cientistas do MIT desenvolveram um sistema de aprendizado de máquina que faz a varredura de artigos acadêmicos para descobrir quais incluem instruções para fazer certos materiais. Ele podia detectar com 99% de precisão quais parágrafos de um artigo incluíam a “receita” e com 86% de precisão as palavras exatas naquele parágrafo.

A equipe do MIT agora está treinando a IA para ser ainda mais precisa. Eles gostariam de criar um banco de dados dessas receitas para a comunidade científica em geral, mas precisam trabalhar com o editor desses trabalhos acadêmicos para garantir que sua coleção não viole nenhum acordo. Eventualmente, a equipe também quer ensinar o sistema a ler jornais e, em seguida, criar novas receitas por conta própria.

“Um dos objetivos é descobrir maneiras mais eficientes e econômicas de fazer materiais que já fabricamos”, diz a coautora do estudo e cientista de materiais do MIT, Elsa Olivetti. “Outra é, aqui está o composto que a ciência dos materiais computacionais previu, podemos então sugerir um conjunto melhor de maneiras de fazê-lo?”

O futuro da IA ​​e da ciência dos materiais parece promissor, mas os desafios permanecem. Primeiro, os computadores simplesmente não podem prever tudo. “As próprias previsões têm erros e muitas vezes funcionam em um modelo simplificado de materiais que não leva em consideração o mundo real”, diz Marzari, da EPFL. Existem todos os tipos de fatores ambientais, como temperatura e umidade, que afetam o comportamento dos compostos. E a maioria dos modelos não pode levar isso em consideração.

Outro problema é que ainda não temos dados suficientes sobre cada composto, de acordo com Wolverton, e a falta de dados significa que os algoritmos não são muito inteligentes. Dito isso, ele e Mehta estão agora interessados ​​em usar seu método em outros tipos de materiais além do vidro metálico. E eles esperam que um dia, você não precise de um ser humano para fazer experimentos, será apenas IA e robôs. “Podemos realmente criar um sistema totalmente autônomo”, diz Wolverton, “sem nenhum ser humano envolvido”.

#tecnologia #tecnologia #tecnologia #Ciência #tecnologia #ai-artificial-intelligence

John Doe

Curioso e apaixonado por tecnologia.

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *