.
Nanoengenheiros da Jacobs School of Engineering da Universidade da Califórnia em San Diego desenvolveram um algoritmo de IA que prevê a estrutura e as propriedades dinâmicas de qualquer material – existente ou novo – quase instantaneamente. Conhecido como M3GNet, o algoritmo foi usado para desenvolver o matterverse.ai, um banco de dados de mais de 31 milhões de materiais ainda a serem sintetizados com propriedades previstas por algoritmos de aprendizado de máquina. Matterverse.ai facilita a descoberta de novos materiais tecnológicos com propriedades excepcionais.
A equipe por trás do M3GNet, liderada pelo professor de nanoengenharia da UC San Diego, Shyue Ping Ong, usa o matterverse.ai e os novos recursos do M3GNet em sua busca por eletrodos e eletrólitos mais seguros e com maior densidade de energia para baterias recarregáveis de íons de lítio. O projeto é explorado na edição de 28 de novembro da revista Natureza Ciência Computacional.
As propriedades de um material são determinadas pelo arranjo de seus átomos. No entanto, as abordagens existentes para obter esse arranjo são proibitivamente caras ou ineficazes para muitos elementos.
“Semelhante às proteínas, precisamos conhecer a estrutura de um material para prever suas propriedades.” disse Ong, diretor associado do Centro de Energia e Energia Sustentável da Jacobs School of Engineering. “O que precisamos é de um AlphaFold para materiais.”
AlphaFold é um algoritmo de IA desenvolvido pelo Google DeepMind para prever a estrutura da proteína. Para construir o equivalente para materiais, Ong e sua equipe combinaram redes neurais gráficas com interações de muitos corpos para construir uma arquitetura de aprendizado profundo que funciona universalmente, com alta precisão, em todos os elementos da tabela periódica.
“Gráficos matemáticos são representações realmente naturais de uma coleção de átomos”, disse Chi Chen, ex-cientista sênior de projetos do laboratório de Ong e primeiro autor do trabalho, que agora é arquiteto quântico sênior da Microsoft Quantum. “Usando gráficos, podemos representar toda a complexidade dos materiais sem estarmos sujeitos à explosão combinatória de termos nos formalismos tradicionais.”
Para treinar seu modelo, a equipe usou o enorme banco de dados de energias, forças e tensões de materiais coletados no Projeto de Materiais na última década. O resultado é o potencial interatômico M3GNet (IAP), que pode prever as energias e forças em qualquer coleção de átomos. O Matterverse.ai foi gerado por meio de substituições elementares combinatórias em mais de 5.000 protótipos estruturais no Inorganic Crystal Structure Database (ICSD). O M3GNet IAP foi então usado para obter a estrutura cristalina de equilíbrio – um processo chamado “relaxamento” – para previsão de propriedades.
Dos 31 milhões de materiais em matterverse.ai hoje, prevê-se que mais de um milhão seja potencialmente estável. Ong e sua equipe pretendem expandir bastante não apenas o número de materiais, mas também o número de propriedades previstas por ML, incluindo propriedades de alto valor com tamanhos de dados pequenos usando uma abordagem de multifidelidade desenvolvida anteriormente.
Além dos relaxamentos estruturais, o M3GNet IAP também possui amplas aplicações em simulações dinâmicas de materiais e previsões de propriedades.
“Por exemplo, muitas vezes estamos interessados em quão rápido os íons de lítio se difundem em um eletrodo ou eletrólito de uma bateria de íon-lítio. Quanto mais rápida a difusão, mais rapidamente você pode carregar ou descarregar uma bateria”, disse Ong. “Mostramos que o M3GNet IAP pode ser usado para prever a condutividade de lítio de um material com boa precisão. Acreditamos verdadeiramente que a arquitetura M3GNet é uma ferramenta transformadora que pode expandir muito nossa capacidade de explorar novas estruturas e químicas de materiais.”
Para promover o uso do M3GNet, a equipe lançou a estrutura como um código Python de código aberto no Github. Desde a publicação da pré-impressão no Arxiv em fevereiro de 2022, a equipe recebeu interesse de pesquisadores acadêmicos e da indústria. Existem planos para integrar o M3GNet IAP como uma ferramenta em pacotes de simulação de materiais comerciais.
Este trabalho foi escrito por Chi Chen e Shyue Ping Ong na UC San Diego. A pesquisa foi financiada principalmente pelo Departamento de Energia dos EUA, Escritório de Ciências, Escritório de Ciências Básicas de Energia, Ciências de Materiais e Divisão de Engenharia no âmbito do programa Materials Project. Parte do trabalho foi financiado pela LG Energy Solution por meio do Frontier Research Laboratory Program. Este trabalho utilizou o Extreme Science and Engineering Discovery Environment (XSEDE).
Fonte da história:
Materiais fornecidos por Universidade da Califórnia – San Diego. Original escrito por Emerson Dameron. Observação: o conteúdo pode ser editado quanto ao estilo e tamanho.
.
