Fonte original: Manchetes Académicas
Fonte da imagem: Gerado por Unbounded AI
Em apenas 17 dias, a inteligência artificial (IA) criou 41 novos materiais por conta própria, mais de dois por dia.
Em contraste, pode levar meses de tentativa e erro para os cientistas humanos criarem um novo material.
Hoje, o laboratório de IA, chamado A-Lab, é destaque na revista científica oficial Nature. **
De acordo com a introdução, **A-Lab é um laboratório onde robôs guiados por IA produzem novos materiais, que podem descobrir rapidamente novos materiais com intervenção humana mínima, o que pode ajudar a identificar e acelerar materiais em vários campos de pesquisa, incluindo baterias, armazenamento de energia, células solares, células de combustível, etc.
Vale ressaltar que, em uma missão de teste, o A-Lab sintetizou com sucesso 41 dos 58 materiais previstos, com uma taxa de sucesso de 71%.
Os dados de teste vêm do Materials Project, um banco de dados de acesso aberto do Berkeley Lab, e da ferramenta de aprendizado profundo Graph Networks for Materials Exploration (GNoME) desenvolvida pelo Google DeepMind.
Também hoje, o GNoME do Google DeepMind é destaque na Nature, contribuindo com quase 400.000 novos compostos para o Projeto de Materiais, a maior adição de novos dados de estabilidade estrutural por uma única equipe desde o início do projeto, aumentando consideravelmente os recursos de acesso aberto que os cientistas podem usar para inventar novos materiais para tecnologias futuras.
Kristin Persson, fundadora e diretora do Projeto de Materiais no Berkeley Lab e professora da Universidade da Califórnia, Berkeley, disse: "Para resolver os desafios ambientais e climáticos globais, devemos criar novos materiais. Com a inovação de materiais, podemos desenvolver plásticos recicláveis, aproveitar a energia residual, produzir baterias melhores e construir painéis solares mais baratos e duradouros, entre outras coisas**. "
Com IA, é mais rápido fabricar e testar novos materiais
O desenvolvimento de novas tecnologias exige frequentemente novos materiais. No entanto, fabricar um material não é uma tarefa fácil.
Os cientistas calcularam centenas de milhares de novos materiais, mas testar se eles podem ser feitos na realidade é um processo lento. Um material demora muito tempo a passar do cálculo à comercialização. Ele deve ter os atributos certos, ser capaz de trabalhar no dispositivo, ser escalável e ter a eficiência de custos e o desempenho certos.
Hoje, graças aos supercomputadores e às simulações, os investigadores já não têm de tentar cegamente criar material a partir do zero.
Neste trabalho, a equipa do Google DeepMind treinou o GNoME utilizando fluxos de trabalho e dados desenvolvidos pelo Materials Project ao longo de uma década e melhorou o algoritmo GNoME através da aprendizagem ativa.
Como resultado, o GNoME produziu 2,2 milhões de estruturas cristalinas, das quais 380.000 foram incluídas no Projeto de Materiais e previu-se que seriam estáveis. Estes dados incluem o arranjo de átomos do material (estrutura cristalina) e estabilidade (energia de formação).
O composto Ba₆Nb₇O₂₁ é um dos novos materiais calculados pelo GNoME e contém bário (azul), nióbio (branco) e oxigênio (verde).
De acordo com o artigo, o GNoME melhorou a precisão da previsão da estabilidade estrutural para mais de 80%, e a precisão da previsão de componentes para 33% por 100 ensaios (em comparação com 1% no trabalho anterior).
Ekin Dogus Cubuk, chefe da equipe de descoberta de materiais do Google DeepMind, disse: "Esperamos que o projeto GNoME avance na pesquisa de cristais inorgânicos. Mais de 736 novos materiais descobertos pelo GNoME foram validados por investigadores externos através de experiências físicas independentes, provando que a descoberta do nosso modelo pode ser conseguida em laboratório. "
No entanto, a equipa de investigação também aponta no artigo que ainda existem algumas questões em aberto sobre o GNoME em aplicações práticas, incluindo a estabilidade dinâmica causada por transições de fase, perfis vibracionais e entropia de configuração causada por polimorfos concorrentes, bem como uma compreensão mais profunda da capacidade de síntese final.
Para criar os novos compostos previstos pelo Projeto Materiais, a IA do A-Lab criou novas formulações estudando artigos científicos e ajustando-os usando aprendizagem ativa.
Gerd Ceder, cientista do Berkeley Lab e da UC Berkeley, investigador principal do A-Lab, disse: "Tivemos uma impressionante taxa de sucesso de 71% e encontrámos algumas formas de melhorar. Provamos que combinar teoria e dados com automação produz resultados incríveis. Podemos fabricar e testar materiais mais rápido do que nunca. "
De acordo com relatórios, com algumas pequenas mudanças no algoritmo de tomada de decisão, essa taxa de sucesso pode ser aumentada para 74%, e se a tecnologia de computação for melhorada, a taxa de sucesso pode ser aumentada para 78%.
“Não só queremos tornar os dados que produzimos gratuitos e utilizáveis para acelerar o design de materiais em todo o mundo, mas também queremos ensinar ao mundo o que os computadores podem fazer pelas pessoas”, disse Persson. Eles podem digitalizar uma ampla gama de novos compostos e propriedades de forma mais eficiente e rápida do que os experimentos sozinhos. "
Com a ajuda de empresas como A-Lab e GNoME, os cientistas podem se concentrar em materiais promissores para tecnologias futuras, como ligas mais leves que melhoram a economia de combustível em automóveis, células solares mais eficientes que melhoram a eficiência da energia renovável ou transistores mais rápidos em computadores da próxima geração.
Potencial de aplicação comprovado
Atualmente, o Materials Project está processando mais compostos do Google DeepMind e adicionando-os a um banco de dados on-line. Os novos dados serão disponibilizados gratuitamente aos pesquisadores e também serão inseridos em projetos como o A-Lab, que colabora com o Projeto Materiais.
Figura: Estruturas de 12 compostos na base de dados do Projeto de Materiais.
Ao longo da última década, os investigadores confirmaram experimentalmente a utilidade de novos materiais em várias áreas, com base em pistas de dados do Materials Project. Alguns deles mostraram potencial de aplicação, tais como:
- Na captura de carbono (extração de dióxido de carbono da atmosfera)
- Como fotocatalisador (um material que acelera reações químicas sob a ação da luz, que pode ser usado para decompor poluentes ou produzir hidrogênio)
- Como um material termoelétrico (um material que ajuda a aproveitar o calor residual e convertê-lo em energia elétrica)
- Como um condutor transparente (pode ser usado para células solares, telas sensíveis ao toque, ou LEDs)
É claro que encontrar esses materiais potenciais é apenas um dos muitos passos para resolver alguns dos principais desafios tecnológicos que a humanidade enfrenta.
**Além das duas pesquisas acima, a IA fez muitos avanços na descoberta e síntese de novos materiais nos últimos anos. **
Em 2020, uma equipe de pesquisa de várias agências, incluindo o Instituto Nacional de Padrões e Tecnologia (NIST), desenvolveu um algoritmo de IA chamado CAMEO que descobriu de forma autônoma um novo material potencialmente útil sem treinamento adicional de cientistas.
Figura | Processo do CAMEO de encontrar novos materiais em uma operação de circuito fechado (Fonte: NIST)
No mesmo ano, pesquisadores da Universidade Estadual da Carolina do Norte e da Universidade de Buffalo desenvolveram uma tecnologia chamada “Química Artificial”, que combina IA e sistemas automatizados que realizam reações químicas para acelerar a pesquisa e desenvolvimento e a produção de novos materiais químicos necessários para os negócios.
Em 2022, nanoengenheiros da Escola de Engenharia da Universidade da Califórnia, em San Diego, desenvolveram um algoritmo de IA, o M3GNet, que pode prever as propriedades estruturais e dinâmicas de qualquer material, existente ou novo, quase instantaneamente. Os pesquisadores podem usá-lo para encontrar eletrodos e eletrólitos mais seguros e de maior densidade de energia para baterias de íons de lítio recarregáveis.
Figura | Diagrama esquemático de energia potencial do diagrama de vários corpos e módulos de cálculo principais (Fonte: Universidade da Califórnia, San Diego)
Em março, um estudo publicado na Nature Synthesis imaginou um futuro de ciência acelerada dos materiais impulsionada pelo codesenvolvimento de tecnologias de síntese combinatória e IA. Para avaliar a aplicabilidade das técnicas de síntese a fluxos de trabalho experimentais específicos, os pesquisadores estabeleceram um conjunto de dez métricas que abrangem velocidade de síntese, escalabilidade, alcance e qualidade da síntese, e resumiram algumas técnicas de síntese combinatória seletiva no contexto dessas métricas.
**Como a base e precursora da alta tecnologia, os novos materiais têm uma ampla gama de aplicações, e tornou-se o campo mais importante e promissor no século 21, juntamente com a tecnologia da informação e a biotecnologia. **
No futuro, com os avanços em tecnologias como a IA, espera-se que os cientistas se concentrem em materiais mais promissores em tecnologias futuras, como ligas mais leves que melhoram a economia de combustível nos automóveis, células solares mais eficientes que promovem a energia renovável e transístores mais rápidos que desempenharão um papel na próxima geração de computadores.
Links de referência:
