A descoberta de novos materiais contribui para o desenvolvimento de novas tecnologias, como baterias mais eficientes, novos gadgets inteligentes, equipamentos mais baratos e menos poluentes, etc. Porém, encontrar esses novos materiais não é uma missão fácil. Esse é um dos motivos pelos quais a indústria está recorrendo a uma ferramenta que está em alta: o deep learning (ou aprendizado profundo, em português).

Ensaios experimentais e simulações computacionais não são exatamente um primeiro passo viável para quem quer descobrir novos materiais, já que existe um grande número de combinação de outros compostos possíveis, tornando a triagem difícil. É aí que entra o deep learning: alguns pesquisadores usaram um algoritmo inteligente que visa melhorar a eficiência da pesquisa em até duas ordens de magnitude.

A técnica escolhida foi a de Generative Adversarial Networks (redes adversárias generativa), também chamada de GANs. Ela consiste, basicamente, em colocar duas redes neurais profundas uma contra a outra (por isso são chamadas de adversárias). O potencial dessa técnica é grande porque as redes podem “aprender a imitar” distribuições de dados.

A inspiração veio do AlphaGo, da Google, que aprendeu um jogo de tabuleiro antigo chinês chamado Go e venceu os melhores jogadores. Tal jogo não recebeu nenhuma instrução, a entrada de dados foi composta por movimentos de várias partidas. No caso da pesquisa com os materiais, a rede aprendeu algumas “regras de química” para montar compostos viáveis. O treinamento foi feito com grandes bancos de dados de materiais inorgânicos.

O trabalho foi uma parceria entre pesquisadores da University of South Carolina College of Engineering and Computing e da Guizhou University.A pesquisa completa foi publicada em um artigo científico chamado “Generative adversarial networks (GAN) based efficient sampling of chemical composition space for inverse design of inorganic materials”, na conceituada revista Nature.

Jianjun Hu, professor da University of South Carolina e líder da pesquisa, afirmou ao site da universidade que: “Nosso algoritmo é como um motor de geração. Usando este modelo, podemos gerar muitos novos materiais hipotéticos que têm uma probabilidade muito alta de existir.”

Não é a primeira vez que um algoritmo é usado para gerar novos materiais. A diferença é que até então muitos compostos não puderam ser sintetizados devido a sua instabilidade. Em contrapartida, quase 70% dos materiais identificados nessa nova pesquisa com deep learning são mais estáveis e possivelmente podem ser sintetizados.

Agora, o próximo passo da equipe é prever a estrutura cristalina dos materiais gerados pelo algoritmo. É um grande desafio, mas os pesquisadores parecem empenhados. Depois que isso for concluído, é possível ter em mãos novos materiais que poderão ser usados para aplicações como conversão de energia, armazenamento, desenvolvimento de eletrônicos melhores, etc.

Esse representa um grande ganho para a indústria, uma vez que o atual processo de descoberta de materiais é lento e acaba limitando o avanço de novas tecnologias. Um exemplo de como novas tecnologias dependem de materiais com propriedades específicas é no caso dos computadores quânticos (que nós já mostramos nesse texto e nesse outro texto).

Referências: University of South Carolina; Deep Learning Book.

E você, o que acha de aplicar ferramentas de deep learning para descobrir novos materiais? Comente!

Larissa Fereguetti

Cientista e Engenheira de Saúde Pública, com mestrado, também doutorado em Modelagem Matemática e Computacional; com conhecimento em Sistemas Complexos, Redes e Epidemiologia; fascinada por tecnologia.