O avanço da ciência dos materiais
Nos tempos antigos, o design de materiais era um processo incrivelmente trabalhoso. Alquimistas, ao longo de milênios, tentaram transformar metais comuns em ouro, combinando elementos como chumbo, mercúrio e enxofre em proporções que esperavam ser corretas. Mesmo cientistas renomados como Tycho Brahe, Robert Boyle e Isaac Newton se aventuraram nesse esforço infrutífero que chamamos de alquimia.
Hoje, a ciência dos materiais avançou significativamente. Nos últimos 150 anos, os pesquisadores se beneficiaram da tabela periódica dos elementos, que fornece informações sobre as propriedades de diferentes elementos e a impossibilidade de transformação mágica entre eles. Nos últimos anos, ferramentas de aprendizado de máquina aumentaram nossa capacidade de determinar a estrutura e as propriedades físicas de várias moléculas e substâncias.
Um salto em capacidade de design de materiais
Uma nova pesquisa, liderada por Ju Li, professor de engenharia nuclear no MIT, promete um avanço significativo nas capacidades de design de materiais. Os resultados do estudo foram relatados em uma edição de dezembro de 2024 da Nature Computational Science.
Atualmente, a maioria dos modelos de aprendizado de máquina usados para caracterizar sistemas moleculares baseiam-se na teoria do funcional da densidade (DFT), uma abordagem quântica para determinar a energia total de uma molécula ou cristal. Embora bem-sucedida, essa abordagem tem suas limitações, segundo Li.
A técnica de “terapia de casais”
A equipe de Li está utilizando uma técnica diferente de química computacional, derivada da mecânica quântica, conhecida como teoria de cluster acoplado (CCSD(T)). Esta é considerada a referência de ouro da química quântica. Os cálculos de CCSD(T) são mais precisos do que os da DFT, mas são computacionalmente caros e lentos. Contudo, com o auxílio do aprendizado de máquina, esses cálculos podem ser realizados de forma mais rápida.
O modelo de rede neural desenvolvido pela equipe, chamado de “Multi-task Electronic Hamiltonian network” ou MEHnet, pode realizar cálculos mais rapidamente e extrair uma gama mais ampla de informações sobre uma molécula, como momentos dipolares e quadrupolares, polarizabilidade eletrônica e o gap de excitação óptica.
Resultados promissores e aplicações futuras
Quando testado em moléculas conhecidas, o modelo de Li superou os resultados obtidos por métodos DFT e correspondeu de perto aos resultados experimentais publicados. O método permite treinamento eficaz com pequenos conjuntos de dados, alcançando precisão e eficiência computacional superiores aos modelos existentes.
O grupo do MIT aplicou inicialmente seu modelo a elementos pequenos e não metálicos, mas já está examinando elementos mais pesados. O modelo, treinado em moléculas pequenas, pode ser generalizado para moléculas maiores.
As aplicações potenciais dessa abordagem são vastas. A análise de grandes moléculas poderia levar à invenção de novos polímeros ou materiais para uso em design de medicamentos ou dispositivos semicondutores. A pesquisa em elementos de metais de transição mais pesados pode resultar em novos materiais para baterias.
Li vê um futuro promissor: “Nossa ambição é cobrir toda a tabela periódica com a precisão de CCSD(T), mas a um custo computacional menor do que o da DFT. Isso nos permitirá resolver uma ampla gama de problemas em química, biologia e ciência dos materiais.”
