.
Nylon, Teflon, Kevlar. Esses são apenas alguns polímeros familiares — compostos químicos de moléculas grandes — que mudaram o mundo. De frigideiras revestidas de Teflon à impressão 3D, os polímeros são vitais para criar os sistemas que fazem o mundo funcionar melhor.
Encontrar o próximo polímero inovador é sempre um desafio, mas agora os pesquisadores da Georgia Tech estão usando inteligência artificial (IA) para moldar e transformar o futuro do campo. O grupo de Rampi Ramprasad desenvolve e adapta algoritmos de IA para acelerar a descoberta de materiais.
Este verão, dois artigos publicados na Natureza família de periódicos destaca os avanços significativos e histórias de sucesso que surgem de anos de pesquisa em informática de polímeros orientada por IA. O primeiro, apresentado em Materiais de avaliações da Naturemostra avanços recentes em design de polímeros em domínios de aplicação críticos e contemporâneos: armazenamento de energia, tecnologias de filtragem e plásticos recicláveis. O segundo, publicado em Comunicações da Naturezaconcentra-se no uso de algoritmos de IA para descobrir uma subclasse de polímeros para armazenamento de energia eletrostática, com os materiais projetados passando por síntese e testes laboratoriais bem-sucedidos.
“Nos primórdios da IA na ciência dos materiais, impulsionada pela Iniciativa Genoma de Materiais da Casa Branca há mais de uma década, a pesquisa neste campo era amplamente motivada pela curiosidade”, disse Ramprasad, professor da Escola de Ciência e Engenharia de Materiais. “Somente nos últimos anos começamos a ver histórias de sucesso tangíveis e reais na descoberta acelerada de polímeros impulsionada por IA. Esses sucessos agora estão inspirando transformações significativas no cenário de P&D de materiais industriais. É isso que torna esta revisão tão significativa e oportuna.”
Oportunidades de IA
A equipe de Ramprasad desenvolveu algoritmos inovadores que podem prever instantaneamente as propriedades e formulações de polímeros antes que sejam fisicamente criados. O processo começa definindo critérios de desempenho ou propriedade alvo específicos da aplicação. Os modelos de aprendizado de máquina (ML) treinam em dados de propriedade de material existentes para prever esses resultados desejados. Além disso, a equipe pode gerar novos polímeros, cujas propriedades são previstas com modelos de ML. Os principais candidatos que atendem aos critérios de propriedade alvo são então selecionados para validação no mundo real por meio de síntese e testes de laboratório. Os resultados desses novos experimentos são integrados aos dados originais, refinando ainda mais os modelos preditivos em um processo contínuo e iterativo.
Embora a IA possa acelerar a descoberta de novos polímeros, ela também apresenta desafios únicos. A precisão das previsões de IA depende da disponibilidade de conjuntos de dados iniciais ricos, diversos e extensos, tornando os dados de qualidade primordiais. Além disso, projetar algoritmos capazes de gerar polímeros quimicamente realistas e sintetizáveis é uma tarefa complexa.
O verdadeiro desafio começa depois que os algoritmos fazem suas previsões: provar que os materiais projetados podem ser feitos em laboratório e funcionar como esperado e, então, demonstrar sua escalabilidade além do laboratório para uso no mundo real. O grupo de Ramprasad projeta esses materiais, enquanto sua fabricação, processamento e testes são realizados por colaboradores em várias instituições, incluindo a Georgia Tech. O professor Ryan Lively da Escola de Engenharia Química e Biomolecular frequentemente colabora com o grupo de Ramprasad e é coautor do artigo publicado em Materiais de avaliações da Nature.
“Em nossa pesquisa diária, usamos extensivamente os modelos de machine learning que a equipe de Rampi desenvolveu”, disse Lively. “Essas ferramentas aceleram nosso trabalho e nos permitem explorar rapidamente novas ideias. Isso incorpora a promessa de ML e IA porque podemos tomar decisões guiadas por modelos antes de comprometer tempo e recursos para explorar os conceitos no laboratório.”
Usando IA, a equipe de Ramprasad e seus colaboradores fizeram avanços significativos em diversos campos, incluindo armazenamento de energia, tecnologias de filtragem, manufatura aditiva e materiais recicláveis.
Progresso do Polímero
Um sucesso notável, descrito no Comunicações da Natureza paper, envolve o design de novos polímeros para capacitores, que armazenam energia eletrostática. Esses dispositivos são componentes vitais em veículos elétricos e híbridos, entre outras aplicações. O grupo de Ramprasad trabalhou com pesquisadores da University of Connecticut.
Os polímeros de capacitores de corrente oferecem alta densidade de energia ou estabilidade térmica, mas não ambas. Ao alavancar ferramentas de IA, os pesquisadores determinaram que materiais isolantes feitos de polímeros de polinorborneno e poliimida podem atingir simultaneamente alta densidade de energia e alta estabilidade térmica. Os polímeros podem ser aprimorados ainda mais para funcionar em ambientes exigentes, como aplicações aeroespaciais, mantendo a sustentabilidade ambiental.
“A nova classe de polímeros com alta densidade energética e alta estabilidade térmica é um dos exemplos mais concretos de como a IA pode guiar a descoberta de materiais”, disse Ramprasad. “É também o resultado de anos de trabalho colaborativo multidisciplinar com Greg Sotzing e Yang Cao na University of Connecticut e patrocínio sustentado pelo Office of Naval Research.”
Potencial da indústria
O potencial para a tradução no mundo real do desenvolvimento de materiais assistidos por IA é sublinhado pela participação da indústria no Materiais de avaliações da Nature artigo. Os coautores deste artigo também incluem cientistas do Toyota Research Institute e da General Electric. Para acelerar ainda mais a adoção do desenvolvimento de materiais orientados por IA na indústria, Ramprasad foi cofundador da Matmerize Inc., uma startup de software recentemente desmembrada da Georgia Tech. Seu software de informática de polímeros baseado em nuvem já está sendo usado por empresas de vários setores, incluindo energia, eletrônicos, produtos de consumo, processamento químico e materiais sustentáveis.
“A Matmerize transformou nossa pesquisa em uma solução robusta, versátil e pronta para a indústria, permitindo que os usuários projetem materiais virtualmente com eficiência aprimorada e custo reduzido”, disse Ramprasad. “O que começou como uma curiosidade ganhou um impulso significativo, e estamos entrando em uma nova era emocionante de materiais por design.”
.
