Os pesquisadores do Google DeepMind anunciaram que, usando inteligência artificial, conseguiram descobrir 2,2 milhões de materiais cristalinos até então desconhecidos, dos quais 380 mil foram considerados estáveis. Muitos deles podem ser úteis em diversos campos tecnológicos, desde baterias até supercondutores. Cientistas, utilizando um laboratório robótico, conseguiram reproduzir partes desses materiais. Anteriormente, isso levaria anos, mas agora leva meio mês.
Fonte da imagem: Google
O A-Lab utiliza robôs para manipular uma variedade de ingredientes, como óxido de níquel e carbonato de lítio, para produzir materiais experimentais novos e interessantes, alguns dos quais podem ter aplicações em futuras baterias. Os resultados podem ser imprevisíveis. Mesmo um cientista humano geralmente não cria o que é necessário na primeira vez. É por isso que às vezes os robôs produzem apenas um pó lindo. Outras vezes é uma bagunça pegajosa derretida ou tudo evapora e nada resta.
«Nesse ponto, a pessoa terá que tomar uma decisão: “O que eu faço agora?”, diz Gerbrand Ceder, cientista de materiais do Laboratório Lawrence Berkeley (LBL, Laboratório de Lawrence Berkeley) da Universidade da Califórnia, Berkeley. Os robôs deveriam fazer o mesmo. Eles analisam o que aconteceu, ajustam a receita e tentam novamente. Outra vez. E de novo. “Você dá a eles algumas receitas pela manhã e, quando chegar em casa, poderá ter um lindo suflê novo”, diz a cientista de materiais Kristin Persson, colaboradora de Söder no LBL. “Ou talvez você acabe em uma bagunça queimada!” Mas pelo menos amanhã farão um suflê muito melhor.”
Recentemente, a gama de “alimentos” disponíveis para os robôs do LBL cresceu exponencialmente graças a um programa de inteligência artificial desenvolvido pelo Google DeepMind. O algoritmo, chamado GNoME, foi treinado usando dados do Materials Project, um banco de dados gratuito de 150 mil materiais conhecidos com curadoria de Persson. Usando esta informação, o sistema de inteligência artificial propôs designs de materiais contendo 2,2 milhões de novos cristais, dos quais 380 mil foram considerados estáveis. Eles não se decompõem nem explodem e, portanto, são mais adequados para síntese em laboratório, o que ampliou a gama de materiais estáveis conhecidos em quase 10 vezes. Num artigo publicado hoje na Nature, os autores escrevem que esta base de dados expandida poderia esconder o próximo eletrólito de estado sólido inovador, ou material de célula solar, ou supercondutor de alta temperatura.
Encontrar agulhas no palheiro começa na confecção, o que é mais um motivo para um trabalho rápido e contínuo. Em experimentos recentes, o laboratório autônomo de Söder no LBL conseguiu gerar 41 materiais teóricos usando GNoME em 17 dias, o que ajudou a validar tanto o modelo de IA quanto os métodos robóticos do laboratório.
Ao decidir se um material pode realmente ser fabricado, seja por mãos humanas ou por mãos robóticas, uma das primeiras questões é se ele é estável. Normalmente, isso significa que uma coleção de átomos está no estado de energia mais baixo possível. Caso contrário, o cristal vai querer se transformar em outra coisa. Ao longo de milhares de anos, as pessoas têm continuamente aumentado a lista de materiais estáveis, inicialmente observando aqueles encontrados na natureza ou descobrindo-os através da intuição química básica ou do acaso. Recentemente, materiais começaram a ser desenvolvidos por meio de computadores.
O problema, segundo Persson, é o preconceito: com o tempo, o conhecimento coletivo passou a favorecer certas estruturas e elementos familiares. Os cientistas de materiais chamam isso de “efeito Edison”: o famoso inventor usou ativamente tentativa e erro para criar um filamento incandescente. Durante a seleção do material para ele, milhares de tipos de carbono foram testados antes que o cientista chegasse a uma variedade obtida do bambu. O grupo húngaro levou mais dez anos para descobrir como usar o tungstênio. “Ele estava limitado pelo seu conhecimento”, diz Persson. “Ele era tendencioso, ele era preconceituoso.”
A abordagem da DeepMind visa superar esses preconceitos. A equipe começou com 69 mil materiais de um banco de dados gratuito e financiado pelo Departamento de Energia dos EUA. Este foi um bom começo porque o banco de dados contém informações detalhadas sobre energia necessárias para entender por que alguns materiais são estáveis e outros não. Mas estes dados não são suficientes para superar o que o pesquisador do Google DeepMind, Ekin Dogus Cubuk, chama de “tensão filosófica” entre o aprendizado de máquina e a ciência empírica.
Tal como Edison, a IA está a lutar para gerar ideias verdadeiramente novas, além das que viu antes. “Na física, você nunca estuda o que já sabe”, diz ele. “Quase sempre você quer generalizar o que já sabe, seja a descoberta de uma classe diferente de materiais de bateria ou uma nova teoria de supercondutividade.”
O GNoME usa uma abordagem chamada aprendizagem ativa. Primeiro, uma rede neural gráfica (GNN) usa um banco de dados de materiais para aprender padrões em estruturas estáveis e descobrir como minimizar a energia da ligação atômica em novas estruturas. Usando toda a gama da tabela periódica, produz milhares de candidatos a materiais potencialmente estáveis. O próximo passo é testá-los e corrigi-los usando uma técnica de mecânica quântica chamada teoria do funcional da densidade, ou DFT. Na próxima etapa, esses resultados refinados são novamente conectados aos conjuntos de dados de treinamento e o processo é repetido.
Fonte da imagem: Jenny Nuss/Berkeley Lab
Os pesquisadores descobriram que, quando repetida muitas vezes, esta abordagem poderia gerar estruturas mais complexas do que aquelas originalmente encontradas no conjunto de dados do Materials Project, incluindo algumas compostas por cinco ou seis elementos únicos. (O conjunto de dados usado para treinar a IA foi limitado principalmente a quatro). Esses tipos de materiais envolvem tantas interações atômicas complexas que geralmente desafiam a intuição humana.
Mas a DFT é apenas teórica. A próxima etapa é realmente criar algo. Assim, a equipe de Seder selecionou 58 cristais teoricamente possíveis para criar no A-Lab. Dadas as capacidades do laboratório e os componentes disponíveis, a escolha foi aleatória. E a princípio, como esperado, os robôs falharam e depois o sistema ajustou repetidamente as receitas. Após 17 dias de experimentação, o A-Lab conseguiu obter 41 materiais estáveis, ou 71% da lista inicialmente selecionada, às vezes depois de testar uma dúzia de receitas diferentes.
Taylor Sparks, cientista de materiais da Universidade de Utah que não esteve envolvido no estudo, diz que é promissor ver a automação trabalhando para sintetizar novos tipos de materiais. Mas usar a inteligência artificial para propor milhares de novas hipóteses e depois persegui-las com a automação simplesmente não é prático, acrescenta. As GNNs são amplamente utilizadas para desenvolver novas ideias para materiais, mas os investigadores normalmente querem concentrar os seus esforços na criação de materiais com propriedades úteis, em vez de replicar cegamente centenas de milhares deles. “Já temos muitas coisas que gostaríamos de explorar, mas fisicamente não podemos”, diz ele. “Acho que o problema é: esta síntese em grande escala está se aproximando da quantidade de materiais previstos?” Nem mesmo perto.”
Apenas uma fração dos 380 mil materiais descritos no artigo da Nature pode ser criada na prática. Alguns deles incluem elementos radioativos que são muito caros ou raros. Alguns exigirão síntese sob condições extremas que não podem ser criadas em laboratório, enquanto outros requerem componentes que os cientistas simplesmente não têm onde obter. Isto é provavelmente verdade até mesmo para materiais que poderiam ser potencialmente úteis na criação da próxima geração de células ou baterias fotovoltaicas. “Criamos muitas coisas legais”, diz Persson. “Sua produção e testes invariavelmente acabam sendo um gargalo, especialmente se estamos falando de um material que ninguém fez antes. O número de pessoas para quem posso ligar no meu círculo de amigos e dizer: “Claro, deixe-me cuidar disso para você” é de apenas uma ou duas pessoas.” “Sério, é realmente isso?” – Seder pergunta com um sorriso.
Mesmo que o material possa ser criado, ainda há um longo caminho a percorrer para transformar o cristal base em um produto. Persson dá o exemplo do eletrólito dentro de uma bateria de íons de lítio. As previsões sobre a energia e a estrutura de um cristal podem ser aplicadas a problemas como a determinação da facilidade com que os íons de lítio podem se mover através dele, um aspecto fundamental do desempenho. Mas o que não é tão fácil de prever é se esse eletrólito reagirá com materiais próximos e destruirá todo o dispositivo? Além disso, a utilidade de novos materiais normalmente só se torna aparente quando são combinados com outros materiais ou quando são manipulados com aditivos químicos.
No entanto, a expansão da gama de materiais aumenta as capacidades de síntese e também fornece mais dados para futuros programas de inteligência artificial, diz Anatole von Lilienfeld, cientista de materiais da Universidade de Toronto que também não esteve envolvido no estudo. Também ajuda os cientistas de materiais a romper com seus preconceitos e abraçar o desconhecido. “Cada novo passo que você dá é fantástico”, ele se maravilha. “Esta etapa pode abrir uma nova classe de compostos.”
O Google também está interessado em explorar as possibilidades de novos materiais criados pelo GNoME, diz Pushmeet Kohli, vice-presidente de pesquisa do Google DeepMind. Ele compara o GNoME ao AlphaFold, o software da empresa que surpreendeu os biólogos estruturais com seu sucesso em prever como as proteínas se dobram. Ambos os programas resolvem problemas fundamentais criando um arquivo de novos dados que os cientistas podem estudar e expandir. Em seguida, a empresa pretende abordar problemas mais específicos, como encontrar propriedades interessantes de materiais e usar inteligência artificial para acelerar a síntese.
Ambas as tarefas são desafiadoras porque geralmente há muito menos dados para começar do que para prever a estabilidade. Kohli diz que a empresa está explorando oportunidades para trabalhar mais diretamente com materiais físicos, quer isso signifique trazer laboratórios terceirizados ou continuar parcerias acadêmicas. Ele também acrescentou que a empresa pode montar seu próprio laboratório, citando o Isommorphic Labs, o braço de descoberta de medicamentos da DeepMind fundado em 2021 após o sucesso do AlphaFold.
As coisas podem ficar mais complicadas para os pesquisadores que tentam colocar os materiais em prática. O Projeto Materiais é popular tanto entre laboratórios acadêmicos quanto entre empresas porque permite qualquer tipo de uso, inclusive empreendimentos comerciais. Os candidatos a conteúdo criados pelo Google DeepMind são lançados sob uma licença separada que proíbe o uso comercial. “Eles são emitidos para fins acadêmicos”, explica Kohli. “Se as pessoas quiserem explorar e explorar a possibilidade de uma parceria comercial, consideraremos as suas candidaturas caso a caso.”
Muitos cientistas que trabalham com novos materiais observaram que não está claro quanto a empresa teria se os testes em um laboratório acadêmico levassem a um possível uso comercial do material criado pelo GNoME. Uma nova ideia de cristal que não tenha aplicação específica geralmente não é patenteável, e rastrear suas origens por meio de um banco de dados pode ser difícil.
Kohli também diz que enquanto os dados estão sendo publicados, atualmente não há planos para lançar o modelo GNoME. Ele cita preocupações de segurança – o software poderia teoricamente ser usado para criar materiais perigosos, diz ele – bem como incerteza sobre a estratégia de materiais do Google DeepMind. “É difícil fazer previsões sobre qual será o impacto comercial”, explica Kohli.
Sparks espera que seus colegas cientistas fiquem indignados com a falta de código para o GNoME de domínio público, assim como os biólogos fizeram quando o AlphaFold foi publicado originalmente sem o modelo completo. (A empresa divulgou mais tarde). “Isso é inaceitável”, diz ele indignado. Outros cientistas de materiais provavelmente desejarão replicar os resultados e explorar formas de melhorar o modelo ou adaptá-lo a condições de uso específicas. Mas sem um modelo eles não conseguirão fazer nenhuma dessas coisas.
Enquanto isso, os pesquisadores do Google DeepMind esperam que centenas de milhares de novos materiais sejam suficientes para manter teóricos e sintetizadores – humanos e robóticos – ocupados. “Qualquer tecnologia pode ser melhorada com materiais melhores. Isto é um gargalo”, explica Kubuk. “É por isso que devemos avançar neste campo, descobrindo novos materiais e ajudando as pessoas a fabricá-los ainda mais.”