Apresentado à comunidade científica há um ano, o A-Lab do Laboratório Nacional Lawrence Berkeley, parte do Departamento de Energia dos Estados Unidos, é o primeiro laboratório totalmente automatizado a utilizar compostos inorgânicos sólidos para fabricar novos materiais, a fim de aumentar a autonomia e segurança das baterias de lítio em particular.
Graças à análise de bancos de dados gigantescos pela IA e ao aprendizado com seus próprios erros, ele conseguiu testar cerca de cem amostras por dia e gerar 41 materiais até então desconhecidos. Tudo em pouco mais de duas semanas, enquanto o desenvolvimento de um único exemplar exigiria meses de trabalho de um engenheiro! Esses materiais foram teorizados por outra IA: o software Gnome (redes gráficas para exploração de materiais) da empresa americana Google DeepMind. Ele primeiro previu 2,2 milhões de estruturas cristalinas possíveis, antes de selecionar 380.000 por sua estabilidade e reter as mais promissoras.
Este tipo de abordagem poderá revolucionar a forma como os materiais são projetados nos próximos anos. Atualmente está sendo testado em todo o mundo em instalações de última geração: nos Estados Unidos, Canadá, Alemanha, Suíça e Japão – e há vários anos na França, onde foi criado o Programa e Equipamento prioritário de pesquisa Diadem (Sistema Integrado para. acelerando a implantação de materiais emergentes) em 2021.
“Espera-se que as técnicas de IA acelerem significativamente a descoberta de materiais para uma variedade de aplicações, como painéis solares, polímeros de base biológica ou produção de hidrogénio. “, maravilha-se Mario Maglione, pesquisador do Instituto de Química da Matéria Condensada de Bordeaux (ICMCB), que codirige o Diadem. “O financiamento estatal e privado está chegando “, alegra-se Marco Saitta, diretor do grupo de pesquisa Inteligência Artificial em Ciências dos Materiais fundado em 2022 pelo CNRS. “Na nossa comunidade, todos percebem que a IA desempenha um papel cada vez mais importanteobserva o físico. Tornou-se inimaginável hoje lançar um projeto de pesquisa sem integrar essas técnicas. “
Alcançando a França
Financiado no valor de 85 milhões de euros pelo plano governamental França 2030, o programa Diadem pretende acelerar “o design e a chegada ao mercado de materiais mais eficientes e duráveis “graças à IA e à atualização nesta área “o atraso da França “, especifica seu codiretor Mario Maglione.
Liderada pelo CNRS e pela CEA (Comissão de Energia Atómica e Energias Alternativas), está a desenvolver uma rede de plataformas em todo o país. Com a ambição de combinar, de forma integrada, bases de dados, infraestruturas de IA e instalações robóticas que permitam a modelação, caracterização e síntese de materiais inovadores com elevado rendimento. “Este equipamento será totalmente operacional em setembro de 2025 “, anuncia Mario Maglione. Serão acessíveis a 4.000 pesquisadores graças a cerca de trinta projetos. Entre os objetivos: compostos mais eficazes para reter poluentes atmosféricos, acelerar diversas reações químicas ou proteger metais da corrosão.
O papel fundamental dos avanços da IA na biologia molecular
Os sucessos espetaculares da IA na bioquímica molecular desempenharam um papel fundamental. Eles mostraram, desde o início dos anos 2000, que os algoritmos de aprendizado de máquina podiam prever cada vez mais com fidelidade a estrutura tridimensional de uma miríade de proteínas a partir de sequências de aminoácidos. “Esses resultados despertaram um forte entusiasmo e esperanças semelhantes em relação a um campo vizinho: a química inorgânica e, de forma mais geral, as ciências dos materiais. “, observa Mathieu Galtier, um cientista da computação que trabalhou por mais de dez anos em pesquisa biomédica antes de co-fundar a Entalpic na primavera de 2024, uma start-up que desenvolve ferramentas de IA para a indústria química.
Pioneiros nesta área, os Estados Unidos lançaram a Iniciativa Genoma de Materiais em 2011, um ambicioso programa de investigação federal que visa reduzir o tempo e o custo de fabrico de materiais utilizados em setores estratégicos, como os semicondutores. A IA deveria facilitar a identificação de materiais inovadores e – por analogia com o genoma dos organismos – a sua “ficha de identidade”: os átomos que contêm, a forma como estão organizados, os processos de fabrico e a formatação no que diz respeito às funcionalidades visadas, etc. “Todos esses parâmetros e etapas, no entanto, geram uma complexidade imensa, aponta Mario Maglione. E é sem dúvida por isso que a IA só começará a ser utilizada nas ciências dos materiais cerca de dez anos depois da área biomédica. “
As promessas não são menos vertiginosas. Para avaliar isso, devemos lembrar até que ponto desenvolver um material é um trabalho longo, ingrato e tedioso. Às vezes, tudo começa com a intuição de um pesquisador ou com uma descoberta casual. Mas os cientistas muitas vezes partem de sistemas existentes, que melhoram em pequenos passos, substituindo um átomo por outro ou modificando as proporções.
Cada candidato estará então sujeito a modelagem complexa baseada na física quântica e exigindo supercomputadores. “Eles permitem simular interações entre átomos, seus arranjos e a estabilidade termodinâmica do composto, explica Marco Saitta. E então prever um conjunto de propriedades, ópticas ou magnéticas por exemplo, conferindo ao material a funcionalidade desejada. “Isso será então sintetizado, formatado e analisado por uma bateria de instrumentos, mas muitas vezes será necessário voltar à estaca zero, tentativa e erro e ajustar vários parâmetros para obter um resultado convincente.
Leia tambémMatemática e IA: teoremas em tempos de inovação algorítmica
A IA poderia acelerar o ritmo das descobertas cinco vezes
Os algoritmos de aprendizagem também procedem por tentativa e erro. Mas de uma forma extremamente rápida, imparcial e sistemática. Podemos pedir a uma IA, por exemplo, que teste todas as combinações possíveis em uma liga de cobre, ferro, titânio e alumínio – de 0 a 100% para cada um dos átomos. Ou experimente toda uma família de elementos como terras raras ou alcalino-terrosos.
“Será certamente necessário primeiro gerar bases de dados específicas, para que os algoritmos aprendam as leis que regem a estrutura e a estabilidade de uma classe de materiais “, indica Marco Saitta. Mas eles poderão então extrapolá-los e prescindir da longa etapa do cálculo quântico para prever a arquitetura de um grande número de substâncias. O mesmo vale para as propriedades funcionais, estabelecidas em outros conjuntos de dados. “O que é notável é que diferentes tipos de algoritmos serão capazes de trabalhar em conjunto, sublinha Mathieu Galtier. Os modelos preditivos servirão como uma espécie de lanternas, oráculos, aos chamados modelos generativos programados para sugerir e selecionar estruturas de acordo com determinados critérios, como a capacidade de ativar uma reação química, por exemplo. “Irão assim explorar, de forma autónoma e iterativa, espaços gigantescos de configurações.
Em julho de 2024, uma IA da Microsoft identificou desta forma um novo eletrólito sólido que permitiria às baterias elétricas consumir 70% menos lítio – um elemento cujo custo financeiro e ambiental é considerável. Seus algoritmos examinaram 32 milhões de compostos potenciais antes de reduzi-los – em apenas 80 horas – para 500.000, depois 800, depois 150, depois 23… e finalmente propondo uma montagem de lítio, sódio, ítrio e cloro.
Este protótipo, que atualmente está passando por uma série de testes, “pode não funcionar em grande escala “, alerta a Microsoft. Porque as propriedades de um material, por mais excepcionais que sejam, não garantem a exploração industrial. Há que ter em conta uma série de factores, como as condições de fabrico, a competitividade, a raridade (ou criticidade) das matérias-primas ou a compatibilidade com outras substâncias utilizadas na tecnologia visada. “Os materiais projetados pelo Google DeepMind e pelo A-Lab apresentam, portanto, diferentes tipos de problemas dos especialistas em baterias de lítio. imediatamente notado “, explica Mário Maglione.
A experiência e a visão crítica dos investigadores continuam a ser essenciais: um pouco como um radiologista que utiliza um monte de máquinas e imagens, mas que faz ele próprio o diagnóstico final! O fato é que uma IA, ao explorar um número imensurável de possibilidades, será capaz de indicar aos cientistas “caminhos e áreas restritas de composição que eles não teriam encontrado espontaneamente, como relações não óbvias entre estruturas atômicas e propriedades de interesse “, pergunta Mathieu Galtier.
Eventualmente, a IA poderia acelerar “até cinco vezes a taxa de descobertas “, estima Mario Maglione, e assim condensar em cinco anos o que seriam necessários vinte e cinco pelos métodos habituais. “Uma grande esperança, insiste o especialista. Porque face às transições actuais, nomeadamente energéticas e ambientais, sabemos que não temos décadas pela frente. “.
