.
A inteligência artificial é uma ferramenta poderosa para pesquisadores, mas com uma limitação significativa: a incapacidade de explicar como chegou a suas decisões, um problema conhecido como “caixa preta da IA”. Ao combinar IA com síntese química automatizada e validação experimental, uma equipe interdisciplinar de pesquisadores da Universidade de Illinois Urbana-Champaign abriu a caixa preta para encontrar os princípios químicos nos quais a IA se baseou para melhorar moléculas para coleta de energia solar.
O resultado produziu moléculas coletoras de luz quatro vezes mais estáveis do que o ponto inicial, além de novos insights cruciais sobre o que as torna estáveis — uma questão química que tem dificultado o desenvolvimento de materiais.
A equipe interdisciplinar de pesquisadores foi coliderada pelo professor de química da U. of I. Martin Burke, pelo professor de engenharia química e biomolecular Ying Diao, pelo professor de química Nicholas Jackson e pelo professor de ciência e engenharia de materiais Charles Schroeder, em colaboração com o professor de química da University of Toronto Alán Aspuru-Guzik. Eles publicaram seus resultados no periódico Nature.
“Novas ferramentas de IA têm um poder incrível. Mas se você tentar abrir o capô e entender o que elas estão fazendo, geralmente não sobra nada de útil”, disse Jackson. “Para a química, isso pode ser muito frustrante. A IA pode nos ajudar a otimizar uma molécula, mas não pode nos dizer por que ela é ótima — quais são as propriedades, estruturas e funções importantes? Por meio do nosso processo, identificamos o que dá a essas moléculas maior fotoestabilidade. Transformamos a caixa preta da IA em um globo de vidro transparente.”
Os pesquisadores foram motivados pela questão de como melhorar as células solares orgânicas, que são baseadas em materiais finos e flexíveis, em oposição aos painéis rígidos e pesados à base de silício que agora pontilham telhados e campos.
“O que tem dificultado a comercialização de fotovoltaicos orgânicos são problemas com estabilidade. Materiais de alto desempenho se degradam quando expostos à luz, o que não é o que você quer em uma célula solar”, disse Diao. “Eles podem ser feitos e instalados de maneiras que não são possíveis com silício e podem converter calor e luz infravermelha em energia também, mas a estabilidade tem sido um problema desde a década de 1980.”
O método de Illinois, chamado “transferência de circuito fechado”, começa com um protocolo de otimização guiado por IA chamado experimentação de circuito fechado. Os pesquisadores pediram à IA para otimizar a fotoestabilidade das moléculas coletoras de luz, disse Schroeder. O algoritmo de IA forneceu sugestões sobre quais tipos de produtos químicos sintetizar e explorar em várias rodadas de síntese de circuito fechado e caracterização experimental. Após cada rodada, os novos dados foram incorporados de volta ao modelo, que então forneceu sugestões aprimoradas, com cada rodada se aproximando do resultado desejado.
Os pesquisadores produziram 30 novos candidatos químicos ao longo de cinco rodadas de experimentação em circuito fechado, graças à química do tipo bloco de construção e à síntese automatizada pioneira do grupo de Burke. O trabalho foi feito no Molecule Maker Lab, localizado no Beckman Institute for Advanced Science and Technology da U. of I.
“A abordagem da química modular complementa lindamente o experimento de circuito fechado. O algoritmo de IA solicita novos dados com potencial de aprendizado maximizado, e a plataforma de síntese de moléculas automatizada pode gerar os novos compostos necessários muito rapidamente. Esses compostos são então testados, os dados retornam ao modelo, e o modelo fica mais inteligente — repetidamente”, disse Burke, que também é professor no Carle Illinois College of Medicine. “Até agora, temos nos concentrado amplamente na estrutura. Nossa síntese modular automatizada agora se formou no reino da exploração de funções.”
Em vez de simplesmente encerrar a consulta com os produtos finais selecionados pela IA, como em uma campanha típica liderada por IA, o processo de transferência em circuito fechado buscou ainda descobrir as regras ocultas que tornavam as novas moléculas mais estáveis.
Conforme o experimento de circuito fechado acontecia, outro conjunto de algoritmos estava continuamente observando as moléculas feitas, desenvolvendo modelos de características químicas preditivas de estabilidade na luz, disse Jackson. Uma vez concluído o experimento, os modelos forneceram novas hipóteses testáveis em laboratório.
“Estamos usando IA para gerar hipóteses que podemos validar para então desencadear novas campanhas de descoberta conduzidas por humanos”, disse Jackson. “Agora que temos alguns descritores físicos do que torna as moléculas fotoestáveis, isso torna o processo de triagem para novos candidatos químicos dramaticamente mais simples do que procurar cegamente pelo espaço químico.”
Para testar sua hipótese sobre fotoestabilidade, os pesquisadores investigaram três moléculas coletoras de luz estruturalmente diferentes com a propriedade química que identificaram — uma região específica de alta energia — e confirmaram que a escolha dos solventes adequados tornou as moléculas até quatro vezes mais estáveis à luz.
“Esta é uma prova de princípio do que pode ser feito. Estamos confiantes de que podemos abordar outros sistemas materiais, e as possibilidades são limitadas apenas pela nossa imaginação. Eventualmente, imaginamos uma interface onde os pesquisadores podem inserir uma função química que desejam e a IA gerará hipóteses para testar”, disse Schroeder. “Este trabalho só poderia acontecer com uma equipe multidisciplinar, e as pessoas, recursos e instalações que temos em Illinois, e nosso colaborador em Toronto. Cinco grupos se uniram para gerar novos insights científicos que não teriam sido possíveis com nenhuma das subequipes trabalhando isoladamente.”
Este trabalho foi apoiado pelo Molecule Maker Lab Institute, um programa do AI Research Institute apoiado pela US National Science Foundation sob a bolsa nº 2019897.
.
