Materiais sempre novos
Os chamados "novos materiais" vêm mudando o mundo há algumas décadas, do armazenamento e geração de energia à computação quântica, da medicina às ligas e fibras aeroespaciais.
E o conceito está-se renovando: Muitos materiais que foram novos e revolucionários há duas ou três décadas, agora já estão sendo superados - mas superados por "novos novos materiais".
O ímpeto da vez está nas nanopartículas. Mas, dada a vasta composição e características estruturais que a nanoquímica permite, descobrir novos materiais usando as tradicionais abordagens experimentais em série é impraticável.
A resposta pode estar em usar o aprendizado de máquina para guiar a síntese de novos nanomateriais, defendem Carolin Wahl e seus colegas da Universidade Northwestern, nos EUA, e do Instituto de Pesquisas Toyota, no Japão.
Eles treinaram um algoritmo de inteligência artificial para que ele vasculhasse um conjunto de dados e tentasse prever novas estruturas de materiais com propriedades definidas pela equipe para que eles pudessem ser úteis nas indústrias de energia limpa, química e automotiva.
"Nós pedimos ao modelo que nos dissesse quais combinações de até sete elementos formariam algo que não havia sido fabricado antes. A máquina previu 19 possibilidades e, após testar cada uma delas experimentalmente, descobrimos que 18 das previsões estavam corretas," contou o professor Chad Mirkin, coordenador da pesquisa.
Genoma dos materiais
O que torna esse processo de "descoberta automatizada" interessante é que ele parte de conjuntos de dados de uma magnitude sem precedentes, virtualmente inacessíveis à memória de qualquer pesquisador ou mesmo equipe de pesquisadores.
A equipe chama sua ferramenta de geração de dados de "Megabiblioteca". Cada Megabiblioteca contém milhões ou até bilhões de nanoestruturas, cada uma com uma forma, estrutura e composição ligeiramente diferentes, todas codificadas posicionalmente em um chip de dois centímetros quadrados.
Cada chip é fabricado por uma técnica chamada litografia de caneta de polímero, uma ferramenta de nanolitografia maciçamente paralela que permite a deposição de centenas de milhares de moléculas e materiais, incluindo polímeros, nanopartículas coloidais e precursores de sol-gel, ou ainda biomoléculas, como proteínas, oligonucleotídeos, partículas virais e bactérias. Nesta pesquisa, cada chip contém mais novos materiais inorgânicos do que jamais foram coletados e categorizados pelos cientistas.
Isso permite fazer o que a equipe chama de "genoma dos materiais": A diferença com o genoma biológico é que, em vez de quatro bases, a técnica permite analisar combinações de nanopartículas de qualquer um dos 118 elementos utilizáveis da Tabela Periódica, bem como parâmetros de forma, tamanho, morfologia de fase, estrutura cristalina e muito mais.
"Mesmo que possamos fazer materiais mais rápido do que qualquer pessoa na Terra, isso ainda é uma gota de água no oceano de possibilidades," disse Mirkin. "Queremos definir e minerar o genoma dos materiais, e a forma como estamos fazendo isso é por meio da inteligência artificial."
Uma megabiblioteca contém nanopartículas com diferentes composições e tamanhos, além de parâmetros como geometria e estrutura cristalina.
[Imagem:Chad A. Mirkin Group]
95% de sucesso
Neste primeiro teste mesclando experimento e simulação por inteligência artificial, a equipe compilou dados estruturais da Megabiblioteca gerados anteriormente, consistindo em nanopartículas com composições, estruturas, tamanhos e morfologias complexas.
Eles usaram esses dados para treinar o modelo e pediram a ele para prever composições de quatro, cinco e seis elementos que resultariam em uma determinada característica estrutural. Em 19 previsões, o modelo de aprendizado de máquina previu novos materiais corretamente 18 vezes - uma taxa de precisão de aproximadamente 95%.
Com apenas um conhecimento básico de química e física, e usando os dados de treinamento, o modelo foi capaz de prever com precisão estruturas complicadas que nunca existiram na Terra.
Para atender ao convênio com a Toyota, a equipe agora está usando a abordagem para encontrar catalisadores para processos de geração de energia limpa, automotiva e química. A identificação de novos catalisadores verdes permitirá a conversão de produtos residuais e biomassa abundante em matéria útil, geração de hidrogênio, utilização de dióxido de carbono e desenvolvimento de células de combustível. A produção de catalisadores também poderá ser usada para substituir materiais caros e raros, como o irídio, o metal usado para gerar hidrogênio verde e produtos de redução de CO2.
Bibliografia:
Artigo: Machine learning-accelerated design and synthesis of polyelemental heterostructures
Autores: Carolin B. Wahl, Muratahan Aykol, Jordan H. Swisher, Joseph H. Montoya, Santosh K. Suram, Chad A. Mirkin
Revista: Science Advances
Vol.: 7, Issue 52
DOI: 10.1126/sciadv.abj5505
