O Google DeepMind criou 380.000 novos materiais através de sua inteligência artificial. O próximo desafio é fabricá-los.
O Google DeepMind criou 380.000 novos materiais por meio de sua inteligência artificial. Agora, o desafio é fabricá-los.
Os cozinheiros robóticos estavam imersos em sua receita, trabalhando em uma sala cheia de equipamentos. Em um canto, um braço articulado selecionava e misturava ingredientes, enquanto outro deslizava para frente e para trás em uma pista fixa, trabalhando nos fornos. Um terceiro estava encarregado de montar os pratos, sacudindo cuidadosamente o conteúdo de um cadinho para um prato. Gerbrand Ceder, cientista de materiais do Lawrence Berkeley National Lab e da UC Berkeley, acenou aprovadoramente enquanto um braço robótico delicadamente pinçava e tampava um frasco vazio de plástico – uma tarefa especialmente complicada e uma das suas favoritas de observar. “Esses caras podem trabalhar a noite toda”, disse Ceder, lançando um olhar irônico para dois de seus estudantes graduados.
Abastecida com ingredientes como óxido de níquel e carbonato de lítio, a instalação, chamada de A-Lab, é projetada para produzir materiais novos e interessantes, especialmente aqueles que podem ser úteis para futuros projetos de baterias. Os resultados podem ser imprevisíveis. Até mesmo um cientista humano normalmente erra uma nova receita na primeira tentativa. Então, às vezes os robôs produzem um pó bonito. Outras vezes, é uma confusão melada derretida, ou tudo evapora e não resta nada. “Nesse ponto, os humanos teriam que tomar uma decisão: O que eu faço agora?” – diz Ceder.
Os robôs têm a mesma função. Eles analisam o que produziram, ajustam a receita e tentam novamente. E de novo. E de novo. “Você dá a eles algumas receitas de manhã e quando você volta para casa, pode ter um suflê novo e bonito” – diz a cientista de materiais Kristin Persson, colaboradora próxima de Ceder no LBNL (e também sua esposa). Ou você pode voltar para uma confusão queimada. “Mas pelo menos amanhã eles farão um suflê muito melhor”.
Recentemente, a variedade de pratos disponíveis para os robôs de Ceder aumentou exponencialmente, graças a um programa de IA desenvolvido pelo Google DeepMind. Chamado GNoME, o software foi treinado usando dados do projeto Materials Project, um banco de dados gratuito com 150.000 materiais conhecidos supervisionado por Persson. Usando essa informação, o sistema de IA criou projetos para 2,2 milhões de novos cristais, dos quais 380.000 foram previstos como estáveis – ou seja, não são propensos a decompor ou explodir, e, portanto, são os candidatos mais plausíveis para síntese em laboratório – expandindo a gama de materiais estáveis conhecidos em quase 10 vezes. Em um artigo publicado hoje na Nature, os autores escrevem que o próximo eletrólito de estado sólido, materiais para células solares ou supercondutor de alta temperatura pode estar escondido nesse banco de dados expandido.
Encontrar essas “agulhas no palheiro” começa com a sua produção, o que torna ainda mais importante trabalhar rapidamente e durante a noite. Em um conjunto recente de experimentos no LBNL, também publicado hoje na Nature, o laboratório autônomo de Ceder conseguiu criar 41 materiais teorizados em 17 dias, ajudando a validar tanto o modelo de IA quanto as técnicas robóticas do laboratório.
- Idea de presente A impressora de fotos Canon Ivy 2 Mini está à vend...
- Ainda é possível conseguir um Dyson Airwrap com $100 de desconto ap...
- GM Reduz Despesas na Unidade de Táxis Autônomos Cruise, um Revés pa...
Quando se decide se um material pode ser realmente produzido, seja por mãos humanas ou braços robóticos, uma das primeiras perguntas a fazer é se ele é estável. Geralmente, isso significa que a estrutura de átomos do material está no estado de energia mais baixa possível. Caso contrário, o cristal desejará se transformar em outra coisa. Por milhares de anos, as pessoas têm adicionado constantemente à lista de materiais estáveis, inicialmente por observar os encontrados na natureza ou descobri-los através de intuição química básica ou acidentes. Mais recentemente, os materiais têm sido projetados por computadores.
O problema, de acordo com Persson, é o viés: ao longo do tempo, esse conhecimento coletivo começou a favorecer certas estruturas e elementos familiares. Os cientistas de materiais chamam isso de “efeito Edison”, referindo-se à sua busca acelerada por tentativa e erro para encontrar um filamento de lâmpada, testando milhares de tipos de carbono antes de chegar a uma variedade derivada do bambu. Levou mais uma década para um grupo húngaro descobrir o tungstênio. “Ele foi limitado por seu conhecimento”, diz Persson. “Ele tinha preconceitos, estava convencido.”
A abordagem da DeepMind visa olhar além desses preconceitos. A equipe começou com 69.000 materiais da biblioteca de Persson, que é gratuita e financiada pelo Departamento de Energia dos Estados Unidos. Foi um bom começo, pois o banco de dados contém informações energéticas detalhadas necessárias para entender por que alguns materiais são estáveis e outros não são. Mas não era dados suficientes para superar o que o pesquisador do Google DeepMind, Ekin Dogus Cubuk, chama de “contradição filosófica” entre aprendizado de máquina e ciência empírica. Assim como Edison, a IA tem dificuldade em gerar ideias verdadeiramente novas além do que já viu antes. “Em física, você nunca quer aprender algo que você já sabe” – diz ele. “Você quase sempre quer generalizar fora do domínio” – seja para descobrir uma classe diferente de material para bateria ou uma nova teoria de supercondutividade.
O GNoME baseia-se em uma abordagem chamada aprendizado ativo. Primeiro, uma IA chamada rede neural gráfica, ou GNN, usa o banco de dados para aprender padrões nas estruturas estáveis e descobrir como minimizar a energia nas ligações atômicas dentro de novas estruturas. Usando toda a gama da tabela periódica, ele produz milhares de candidatos potencialmente estáveis. O próximo passo é verificá-los e ajustá-los, usando uma técnica de mecânica quântica chamada teoria do funcional da densidade, ou DFT. Esses resultados refinados são então inseridos de volta nos dados de treinamento e o processo é repetido.
Os pesquisadores descobriram que, com repetições múltiplas, essa abordagem poderia gerar estruturas mais complexas do que as inicialmente presentes no conjunto de dados do Projeto Materiais, inclusive algumas compostas por cinco ou seis elementos únicos. (O conjunto de dados usado para treinar a IA tinha em sua maioria no máximo quatro elementos.) Esse tipo de material envolve tantas interações atômicas complexas que geralmente escapa da intuição humana. “Eles eram difíceis de encontrar”, diz Cubuk. “Mas agora não é mais tão difícil encontrá-los.”
Mas a DFT é apenas uma validação teórica. O próximo passo é realmente criar algo. Então, a equipe de Ceder escolheu 58 cristais para criar no A-Lab. Levando em consideração as capacidades do laboratório e os precursores disponíveis, foi uma seleção aleatória. E, no início, como esperado, os robôs falharam e ajustaram repetidamente suas receitas. Após 17 dias de experimentos, o A-Lab conseguiu produzir 41 dos materiais, ou 71%, às vezes depois de tentar uma dúzia de receitas diferentes.
Taylor Sparks, um cientista de materiais da Universidade de Utah que não estava envolvido na pesquisa, diz que é promissor ver a automação em ação para novos tipos de síntese de materiais. Mas usar IA para propor milhares de novos materiais hipotéticos e depois correr atrás deles com automação simplesmente não é prático, acrescenta ele. As GNNs estão sendo amplamente utilizadas para desenvolver novas ideias para materiais, mas geralmente os pesquisadores desejam direcionar seus esforços para produzir materiais com propriedades úteis, e não produzir cegamente centenas de milhares deles. “Já tivemos muito mais coisas do que queríamos investigar do que poderíamos fisicamente”, diz ele. “Acho que o desafio é: essa síntese em escala se aproxima da escala das previsões? Nem perto.”
Apenas uma fração dos 380.000 materiais no artigo da Nature provavelmente acabará sendo viável para criar. Alguns envolvem elementos radioativos ou elementos que são muito caros ou raros. Alguns exigirão tipos de síntese que envolvem condições extremas que não podem ser reproduzidas em laboratório, ou precursores que não estão disponíveis nos fornecedores de laboratório.
Isso provavelmente também vale para materiais que podem ter potencial para a próxima célula fotovoltaica ou design de bateria. “Criamos muitos materiais legais”, diz Persson. “Criá-los e testá-los tem sido consistentemente o gargalo, especialmente se é um material que nunca foi feito antes. O número de pessoas que posso ligar em meu círculo de amigos que dizem: ‘Claro, deixe-me fazer isso por você’, é praticamente uma ou duas pessoas.”
“Sério, é tão alto assim?” Ceder interrompe, rindo.
Mesmo que um material possa ser fabricado, há um longo caminho para transformar um cristal básico em um produto. Persson menciona o exemplo de um eletrólito dentro de uma bateria de íon de lítio. As previsões sobre a energia e a estrutura de um cristal podem ser aplicadas a problemas como descobrir o quão facilmente íons de lítio podem se mover através dele – um aspecto fundamental do desempenho. O que não pode ser previsto tão facilmente é se esse eletrólito reagirá com materiais vizinhos e destruirá todo o dispositivo. Além disso, de forma geral, a utilidade de novos materiais só se torna aparente em combinação com outros materiais ou manipulando-os com aditivos.
Ainda assim, a ampla gama de materiais expande as possibilidades de síntese e também fornece mais dados para futuros programas de IA, diz Anatole von Lilienfeld, um cientista de materiais da Universidade de Toronto que não estava envolvido na pesquisa. Também ajuda a afastar os cientistas de materiais de seus preconceitos e caminhar em direção ao desconhecido. “Cada novo passo que você dá é fantástico”, ele diz. “Isso poderia inaugurar uma nova classe de compostos.”
O Google também está interessado em explorar as possibilidades dos novos materiais gerados pelo GNoME, diz Pushmeet Kohli, vice-presidente de pesquisa da Google DeepMind. Ele compara o GNoME ao AlphaFold, o software da empresa que surpreendeu os biólogos estruturais com sua capacidade de prever como as proteínas se dobram. Ambos estão abordando problemas fundamentais, criando um arquivo de novos dados que os cientistas podem explorar e expandir. A partir daqui, a empresa planeja trabalhar em problemas mais específicos, como investigar propriedades interessantes dos materiais e usar IA para acelerar a síntese. Ambos são desafios porque, geralmente, há muito menos dados disponíveis do que para predizer a estabilidade.
Kohli diz que a empresa está explorando suas opções para trabalhar mais diretamente com materiais físicos, contratando laboratórios externos ou continuando parcerias acadêmicas. Também poderia criar seu próprio laboratório, acrescenta ele, referindo-se ao Isomorphic Labs, uma spinoff de descoberta de medicamentos do DeepMind estabelecido em 2021 após o sucesso do AlphaFold.
As coisas podem se complicar para os pesquisadores que tentam dar um uso prático aos materiais. O Projeto de Materiais é popular tanto entre laboratórios acadêmicos quanto entre corporações, pois permite qualquer tipo de uso, incluindo empreendimentos comerciais. Os materiais da Google DeepMind estão sendo disponibilizados sob uma licença separada que proíbe o uso comercial. “Ele é lançado para fins acadêmicos”, diz Kohli. “Se as pessoas quiserem investigar e explorar parcerias comerciais, entre outras coisas, nós as avaliaremos caso a caso.”
Diversos cientistas que trabalham com materiais novos observaram que não está claro a influência que a empresa teria se um teste em um laboratório acadêmico levasse a um possível uso comercial para um material gerado pelo GNoME. Uma ideia para um novo cristal – sem um uso específico em mente – geralmente não é patenteável, e rastrear sua origem até o banco de dados poderia ser difícil.
Kohli também diz que, embora os dados estejam sendo lançados, não há planos atuais de lançar o modelo GNoME. Ele menciona questões de segurança – o software poderia teoricamente ser usado para gerar materiais perigosos, ele diz – e a incerteza sobre a estratégia de materiais da Google DeepMind. “É difícil fazer previsões sobre qual seria o impacto comercial”, diz Kohli.
Sparks espera que seus colegas acadêmicos fiquem incomodados com a falta de código para o GNoME, assim como os biólogos ficaram quando o AlphaFold foi inicialmente publicado sem um modelo completo. (A empresa lançou posteriormente.) “Isso é lamentável”, diz ele. Outros cientistas de materiais provavelmente desejarão reproduzir os resultados e investigar maneiras de melhorar o modelo ou adaptá-lo a usos específicos. Mas sem o modelo, eles não podem fazer nem uma coisa nem outra, diz Sparks.
Enquanto isso, os pesquisadores da Google DeepMind esperam que centenas de milhares de novos materiais sejam suficientes para manter teóricos e sintetizadores – tanto humanos quanto robóticos – bastante ocupados. “Toda tecnologia poderia ser aprimorada com melhores materiais. É um gargalo”, diz Cubuk. “Por isso precisamos capacitar o campo descobrindo mais materiais e ajudando as pessoas a descobrirem ainda mais.”
