A inovação e o desenvolvimento sustentável podem ser positivamente impactados com a nova contribuição do Google, através de uma ferramenta que promete mudar a forma como descobrimos e criamos materiais. Além de abrir portas para melhorias em dispositivos eletrônicos, baterias e células solares, a inovação da gigante da tecnologia representa um marco na aplicação da inteligência artificial na ciência dos materiais.
A ferramenta em questão é o Graphical Networks for Material Exploration (GNoME), que utiliza aprendizado profundo (deep learning) para acelerar o processo de descoberta de novos materiais, mudando um cenário que, tradicionalmente, exige meses ou até anos de pesquisa, muitas vezes baseada em tentativa e erro. GNoME muda essa realidade, já tendo sido usado para prever estruturas para 2,2 milhões de novos materiais, dos quais mais de 700 foram criados em laboratório e estão atualmente em fase de testes.
A comparação de GNoME com o AlphaFold, outro sistema da DeepMind, não é por acaso. Assim como a inovação com o AlphaFold revolucionou a pesquisa biológica e a descoberta de medicamentos ao prever com alta precisão a estrutura das proteínas, GNoME promete um impacto semelhante na ciência dos materiais. Esta inovação expandiu quase dez vezes o número de materiais estáveis conhecidos, chegando a 421.000.
A metodologia por trás do GNoME é fascinante, combinando dois modelos diferentes de aprendizado profundo: o primeiro gera mais de um bilhão de estruturas, modificando elementos em materiais existentes; o segundo ignora estruturas existentes e prevê a estabilidade de novos materiais com base apenas em fórmulas químicas. Esta abordagem abrangente permite explorar uma gama muito mais ampla de possibilidades do que os métodos tradicionais.
Um aspecto crucial do é a capacidade da ferramenta de prever a energia de decomposição de uma estrutura, um indicador importante da estabilidade do material, característica essencial para diversas aplicações em engenharia, por exemplo. O processo de seleção de candidatos pelo GNoME é iterativo, com cada descoberta incorporada ao próximo ciclo de treinamento. Inicialmente, o sistema previa a estabilidade dos materiais com precisão de cerca de 5%, mas essa taxa aumentou significativamente ao longo do processo, alcançando mais de 80% de precisão para o primeiro modelo e 33% para o segundo.
A escala e a precisão do GNoME o colocam como uma verdadeira inovação frente aos esforços anteriores. Treinado com uma quantidade de dados muito maior do que qualquer modelo anterior, ele representa um salto significativo em termos de potencial de descoberta de materiais.
Inovação na prática
A aplicação prática dessas descobertas é igualmente importante. O Laboratório Nacional Lawrence Berkeley, em parceria com o projeto Materials Project, anunciou um laboratório autônomo que integra dados do GNoME.
Conhecido como A-Lab, este laboratório utiliza aprendizado de máquina (machine learning) e braços robóticos para otimizar o desenvolvimento de novos materiais, e é capaz de tomar suas próprias decisões sobre como fabricar um material proposto, criando até cinco formulações iniciais baseadas em modelos de aprendizado de máquina treinados em literatura científica existente. Após cada experimento, o laboratório ajusta as receitas com base nos resultados.
O A-Lab realizou 355 experimentos em 17 dias, sintetizando com sucesso 41 dos 58 compostos propostos, uma taxa de sucesso impressionante comparada aos métodos tradicionais de laboratório. Enquanto um laboratório comandado por humanos pode levar meses ou anos para criar novos materiais, a inovação do A-Lab demonstra uma eficiência notável, simbolizando uma nova era na pesquisa de materiais.
Além de representar um avanço significativo na ciência dos materiais, as descobertas do GNoME têm implicações práticas em várias áreas. Por exemplo, entre as descobertas, 528 condutores de íons de lítio promissores foram identificados, o que pode levar a baterias mais eficientes. Esses avanços são cruciais, especialmente considerando o papel dos materiais na inovação de hardware em setores como energia e computação.
É importante destacar que, apesar do rápido progresso na descoberta de novos materiais, a comercialização desses novos materiais ainda é um processo longo, geralmente levando décadas. A esperança é que ferramentas como o GNoME possam reduzir significativamente esse tempo, acelerando a inovação em áreas críticas, como a energia limpa, e contribuindo para a solução da crise climática.
Em resumo, o Google DeepMind, com o GNoME e em colaboração com laboratórios autônomos como o A-Lab, está pavimentando o caminho para uma nova era na descoberta e desenvolvimento de materiais. Este avanço não só acelera o processo de inovação, mas também demonstra o poder transformador da inteligência artificial na solução de complexos desafios científicos e tecnológicos.
Fonte: MIT Technology Review
