Os sistemas de Inteligência Artificial (IA) surpreendem-nos a cada dia, porque, efetivamente, vão além daquilo que os seres humanos são capazes de fazer e de pensar. Esta que lhe mostramos hoje, por exemplo, inventou 31 milhões de materiais que ainda não existem.
A tecnologia pode facilitar processos que, agora, são demorados.
Introduzir um novo material com todas as suas propriedades específicas pode demorar muitos anos de trabalho, desde análise de dados e cálculos, a testes laboratoriais muito precisos. Contudo, até neste campo a IA pode ser uma aliada, facilitando o processo.
Um grupo de investigadores da Jacobs School of Engineering da University of California San Diego desenvolveu um novo algoritmo de IA chamado M3GNet. Este é capaz de prever a estrutura e propriedades dinâmicas de qualquer material, seja ele existente ou novo, e pode procurar praticamente qualquer material que lhe seja atribuído.
O sistema de IA foi utilizado para construir uma base de dados com mais de 31 milhões de materiais novos, que ainda não foram sintetizados e cujas propriedades são previstas pelo algoritmo. Todo este processo acontece quase instantaneamente. Por forma a prever as propriedades de um material, o sistema precisa de conhecer a estrutura do material, que se baseia na disposição dos seus átomos.
À semelhança das proteínas, precisamos de conhecer a estrutura de um material para prever as suas propriedades. O que precisamos é de um AlphaFold para materiais.
Explicou Shyue Ping Ong, professor de nanoengenharia da University of California San Diego.
Shyue Ping Ong, professor de nanoengenharia da University of California San Diego
O AlphaFold é um sistema criado pela DeepMind. No início do verão, a empresa anunciou que tinha descodificado a estrutura de quase todas as proteínas presentes nos catálogos dos cientistas, mais de 200 milhões. As proteínas fazem a maior parte do trabalho nas células, desde a transmissão de sinais que regulam os órgãos até à proteção do corpo contra bactérias e vírus.
Por exemplo, estamos frequentemente interessados na rapidez com que os iões de lítio se difundem num elétrodo de bateria de iões de lítio ou num eletrólito.
Quanto mais rápida for a difusão, mais rapidamente se pode carregar ou descarregar uma bateria. Mostrámos que a M3GNet IAP pode ser utilizada para prever a condutividade de lítio de um material com boa precisão.
Acreditamos verdadeiramente que a arquitetura do M3GNet é uma ferramenta transformadora que pode expandir grandemente a nossa capacidade de explorar novos materiais químicos e estruturas.
Exemplificou o professor Ong.
O código Python da M3GNet foi lançado em código aberto no Github.
Leia também: