Talento

Acelerando a busca por materiais energeticamente eficientes
A candidata a doutorado Nina Andrejević combina técnicas de espectroscopia e aprendizado de máquina para identificar propriedades novas e valiosas na matéria.
Por Leda Zimmerman - 30/01/2022


A candidata a doutorado do MIT Nina Andrejević (direita) desenvolveu com sua irmã gêmea Jovana (esquerda), candidata a doutorado na Universidade de Harvard, um método para testar amostras de materiais para prever a presença de características topológicas que é mais rápido e versátil do que outros métodos. Créditos: Foto: Gretchen Ertl

Nascida em uma família de arquitetos, Nina Andrejević adorava criar desenhos de sua casa e de outros edifícios enquanto criança na Sérvia. Ela e sua irmã gêmea compartilhavam essa paixão, juntamente com um apetite por matemática e ciências. Com o tempo, esses interesses convergiram para um caminho acadêmico que compartilha alguns atributos com a profissão de família, segundo Andrejević, doutorando em ciência e engenharia de materiais no MIT.

“A arquitetura é um campo criativo e técnico, onde você tenta otimizar os recursos que deseja para determinados tipos de funcionalidade, como o tamanho de um prédio ou o layout de diferentes cômodos de uma casa”, diz ela. O trabalho de Andrejević em aprendizado de máquina se assemelha ao dos arquitetos, ela acredita: “Começamos de um site vazio – um modelo matemático que possui parâmetros aleatórios – e nosso objetivo é treinar esse modelo, chamado rede neural, para ter a funcionalidade que desejamos. ”

Andrejević é orientador de doutorado de Mingda Li , professor assistente do Departamento de Ciência e Engenharia Nuclear. Como assistente de pesquisa no Grupo de Medição Quântica de Li, ela está treinando seus modelos de aprendizado de máquina para caçar características novas e úteis em materiais. Seu trabalho com o laboratório chegou a importantes periódicos como Nature Communications , Advanced Science , Physical Review Letters e Nano Letters .

Uma área de especial interesse para seu grupo é a de materiais topológicos. “Esses materiais são uma fase exótica da matéria que pode transportar elétrons na superfície sem perda de energia”, diz ela. “Isso os torna altamente interessantes para fazer tecnologias mais eficientes em termos de energia.”

Com sua irmã Jovana, doutoranda em física aplicada na Universidade de Harvard, Andrejević desenvolveu um método para testar amostras de materiais para prever a presença de características topológicas que é mais rápido e versátil do que outros métodos.

Se o objetivo final é “produzir tecnologias de melhor desempenho e economia de energia”, diz ela, “precisamos primeiro saber quais materiais são bons candidatos para essas aplicações, e isso é algo que nossa pesquisa pode ajudar a confirmar”.

Juntando-se

As sementes para esta pesquisa foram plantadas há mais de um ano. “Minha irmã e eu sempre dissemos que seria legal fazer um projeto juntos, e quando Mingda sugeriu esse estudo de materiais topológicos, me ocorreu que poderíamos fazer disso uma colaboração formal”, diz Andrejević. As irmãs são mais parecidas do que a maioria das gêmeas, ela observa, compartilhando muitos interesses acadêmicos. “Ser gêmea é uma grande parte da minha vida e trabalhamos bem juntos, ajudando uns aos outros em áreas que não entendemos.”

O trabalho de dissertação de Andrejević, que abrange vários projetos, usa técnicas espectroscópicas especializadas e análise de dados, reforçada por aprendizado de máquina, que pode encontrar padrões em grandes quantidades de dados com mais eficiência do que os computadores de maior taxa de transferência.

“O fio condutor de todos os meus projetos é essa ideia de tentar acelerar ou melhorar nosso entendimento ao aplicar essas ferramentas de caracterização e, assim, obter informações mais úteis do que podemos com modelos mais tradicionais ou aproximados”, diz ela. A pesquisa dos gêmeos em materiais topológicos serve como um exemplo.

Para descobrir propriedades novas e potencialmente úteis dos materiais, os pesquisadores devem interrogá-los nas escalas atômica e quântica. As técnicas espectroscópicas de nêutrons e fótons podem ajudar a capturar estruturas e dinâmicas não identificadas anteriormente e determinar como o calor, os campos elétricos ou magnéticos e o estresse mecânico afetam os materiais no nível liliputiano. As leis que governam este reino, onde os materiais não se comportam como deveriam na macroescala, são as da mecânica quântica.

As abordagens experimentais atuais para identificar materiais topológicos são tecnicamente desafiadoras e inexatas, potencialmente excluindo candidatos viáveis. As irmãs acreditavam que poderiam evitar essas armadilhas usando uma técnica de imagem amplamente aplicada, chamada espectroscopia de absorção de raios X (XAS), e emparelhada com uma rede neural treinada. O XAS envia feixes de raios-X focados na matéria para ajudar a mapear sua geometria e estrutura eletrônica. Os dados de radiação que ele fornece oferecem uma assinatura exclusiva para o material amostrado.

“Queríamos desenvolver uma rede neural que pudesse identificar a topologia da assinatura XAS de um material, uma medida muito mais acessível do que a de outras abordagens”, diz Andrejević. “Esperamos que isso nos permita selecionar uma categoria muito mais ampla de materiais topológicos em potencial”.

Ao longo de meses, os pesquisadores alimentaram suas informações de rede neural de dois bancos de dados: um continha materiais teoricamente previstos como topológicos e o outro continha dados de absorção de raios-X para uma ampla gama de materiais. “Quando devidamente treinado, o modelo deve servir como uma ferramenta onde ele lê novas assinaturas XAS nunca vistas antes e informa se o material que produziu o espectro é topológico”, explica Andrejević.

A técnica da dupla de pesquisadores demonstrou resultados promissores, que eles já publicaram em uma pré-impressão, “ Machine learning spectral indicadores of topology ”. “Para mim, a emoção desses projetos de aprendizado de máquina é ver alguns padrões subjacentes e poder entendê-los em termos de quantidades físicas”, diz Andrejević.

Movendo-se para estudos de materiais

Foi durante seu primeiro ano na Universidade de Cornell que Andrejević experimentou pela primeira vez o prazer de observar a matéria em um nível íntimo. Após um curso de nanociência e nanoengenharia, integrou um grupo de pesquisa de materiais de imagem em escala atômica. “Sinto que sou uma pessoa muito visual, e essa ideia de ser capaz de ver coisas que até então eram apenas equações ou conceitos – isso foi muito empolgante”, diz ela. “Essa experiência me aproximou do campo da ciência dos materiais.”

O aprendizado de máquina, fundamental para o trabalho de doutorado de Andrejević, será fundamental para sua vida após o MIT. Quando ela se formar neste inverno, ela vai direto para o Argonne National Laboratory, onde ganhou uma prestigiosa bolsa Maria Goeppert Mayer, concedida “internacionalmente a cientistas e engenheiros de doutorado que estão no início de carreiras promissoras”. “Vamos tentar projetar redes neurais informadas pela física, com foco em materiais quânticos”, diz ela.

Isso significa dizer adeus à irmã, de quem ela nunca se separou por muito tempo. “Será muito diferente”, diz Andrejević. Mas, ela acrescenta: “Espero que Jovana e eu colaboremos mais no futuro, não importa a distância!”

 

.
.

Leia mais a seguir