Os modelos de inteligência artificial que transformam texto em imagens também são úteis para gerar novos materiais. Nos últimos anos, modelos de materiais generativos de empresas como Google, Microsoft e Meta têm se baseado em seus dados de treinamento para ajudar pesquisadores a projetar dezenas de milhões de novos materiais.

Mas quando se trata de projetar materiais com propriedades quânticas exóticas, como supercondutividade ou estados magnéticos únicos, esses modelos têm dificuldades. É uma pena, porque os humanos poderiam precisar dessa ajuda. Por exemplo, após uma década de pesquisa sobre uma classe de materiais que poderia revolucionar a computação quântica, chamados líquidos de spin quântico, apenas uma dúzia de candidatos a materiais foram identificados. O gargalo significa que há menos materiais para servir de base para avanços tecnológicos.

Agora, pesquisadores do MIT desenvolveram uma técnica que permite que modelos populares de materiais generativos criem materiais quânticos promissores seguindo regras de projeto específicas. As regras, ou restrições, direcionam os modelos para criar materiais com estruturas únicas que dão origem a propriedades quânticas.

“Os modelos dessas grandes empresas geram materiais otimizados para estabilidade”, afirma Mingda Li, professora de Desenvolvimento de Carreira da turma de 1947 do MIT. “Nossa perspectiva é que normalmente não é assim que a ciência dos materiais avança. Não precisamos de 10 milhões de novos materiais para mudar o mundo. Precisamos apenas de um material realmente bom.”

A abordagem foi descrita hoje em um artigo publicado pela Nature Materials . Os pesquisadores aplicaram sua técnica para gerar milhões de materiais candidatos, compostos por estruturas geométricas reticulares associadas a propriedades quânticas. A partir desse conjunto, eles sintetizaram dois materiais reais com características magnéticas exóticas.

Li é o autor sênior do artigo. Seus coautores no MIT incluem os alunos de doutorado Ryotaro Okabe, Mouyang Cheng, Abhijatmedhi Chotrattanapituk e Denisse Cordova Carrizales; o pós-doutorado Manasi Mandal; os pesquisadores de graduação Kiran Mak e Bowen Yu; o pesquisador visitante Nguyen Tuan Hung; Xiang Fu '22, PhD '24; e o professor de engenharia elétrica e ciência da computação Tommi Jaakkola, afiliado ao Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL) e ao Instituto de Dados, Sistemas e Sociedade. Outros coautores incluem Yao Wang, da Universidade Emory, Weiwei Xie, da Universidade Estadual de Michigan, YQ Cheng, do Laboratório Nacional de Oak Ridge, e Robert Cava, da Universidade de Princeton.

As propriedades de um material são determinadas por sua estrutura, e os materiais quânticos não são exceção. Certas estruturas atômicas têm maior probabilidade de dar origem a propriedades quânticas exóticas do que outras. Por exemplo, redes quadradas podem servir de plataforma para supercondutores de alta temperatura, enquanto outras formas, conhecidas como redes de Kagome e Lieb, podem dar suporte à criação de materiais que podem ser úteis para a computação quântica.

Para ajudar uma classe popular de modelos generativos, conhecida como modelos de difusão, a produzir materiais que se adaptam a padrões geométricos específicos, os pesquisadores criaram o SCIGEN (abreviação de Integração de Restrições Estruturais em Modelos GENerativos). O SCIGEN é um código computacional que garante que os modelos de difusão aderem às restrições definidas pelo usuário em cada etapa de geração iterativa. Com o SCIGEN, os usuários podem definir regras geométricas estruturais para qualquer modelo de difusão de IA generativa a ser seguido durante a geração de materiais.

Os modelos de difusão de IA funcionam por meio de amostragem de seu conjunto de dados de treinamento para gerar estruturas que refletem a distribuição das estruturas encontradas no conjunto de dados. O SCIGEN bloqueia gerações que não se alinham às regras estruturais.

Para testar o SCIGEN, os pesquisadores o aplicaram a um modelo popular de geração de materiais de IA conhecido como DiffCSP. Eles fizeram com que o modelo equipado com o SCIGEN gerasse materiais com padrões geométricos únicos, conhecidos como redes arquimedianas, que são coleções de mosaicos de redes bidimensionais de diferentes polígonos. As redes arquimedianas podem levar a uma série de fenômenos quânticos e têm sido o foco de muitas pesquisas.

“Redes arquimedianas dão origem a líquidos de spin quânticos e às chamadas bandas planas, que podem imitar as propriedades de terras raras sem elementos de terras raras, por isso são extremamente importantes”, diz Cheng, coautor correspondente do trabalho. “Outros materiais de redes arquimedianas têm poros grandes que podem ser usados para captura de carbono e outras aplicações, portanto, trata-se de um conjunto de materiais especiais. Em alguns casos, não existem materiais conhecidos com essa rede, então acho que será muito interessante encontrar o primeiro material que se encaixe nela.”

O modelo gerou mais de 10 milhões de candidatos a materiais com redes arquimedianas. Um milhão desses materiais sobreviveu a uma triagem de estabilidade. Usando os supercomputadores do Laboratório Nacional de Oak Ridge, os pesquisadores coletaram uma amostra menor de 26.000 materiais e realizaram simulações detalhadas para entender como os átomos subjacentes aos materiais se comportavam. Os pesquisadores encontraram magnetismo em 41% dessas estruturas.

A partir desse subconjunto, os pesquisadores sintetizaram dois compostos até então desconhecidos, TiPdBi e TiPbSb, nos laboratórios de Xie e Cava. Experimentos subsequentes mostraram que as previsões do modelo de IA estavam amplamente alinhadas com as propriedades reais do material.

“Queríamos descobrir novos materiais que pudessem ter um enorme impacto potencial incorporando essas estruturas que são conhecidas por darem origem a propriedades quânticas”, diz Okabe, o primeiro autor do artigo. “Já sabemos que esses materiais com padrões geométricos específicos são interessantes, então é natural começar com eles.”

Líquidos de spin quântico podem desbloquear a computação quântica, permitindo qubits estáveis e resistentes a erros que servem como base para operações quânticas. Mas nenhum material de líquido de spin quântico foi confirmado. Xie e Cava acreditam que o SCIGEN pode acelerar a busca por esses materiais.

“Há uma grande busca por materiais para computadores quânticos e supercondutores topológicos, e todos eles estão relacionados aos padrões geométricos dos materiais”, diz Xie. “Mas o progresso experimental tem sido muito, muito lento”, acrescenta Cava. “Muitos desses materiais líquidos de spin quântico estão sujeitos a restrições: eles precisam estar em uma rede triangular ou em uma rede de Kagome. Se os materiais satisfazem essas restrições, os pesquisadores quânticos ficam entusiasmados; é uma condição necessária, mas não suficiente. Portanto, ao gerar muitos, muitos materiais como esse, imediatamente se dá aos experimentalistas centenas ou milhares de candidatos a mais para testar e acelerar a pesquisa de materiais para computadores quânticos.”

“Este trabalho apresenta uma nova ferramenta, que utiliza aprendizado de máquina, capaz de prever quais materiais terão elementos específicos em um padrão geométrico desejado”, afirma o professor Steve May, da Universidade Drexel, que não participou da pesquisa. “Isso deve acelerar o desenvolvimento de materiais até então inexplorados para aplicações em tecnologias eletrônicas, magnéticas ou ópticas de próxima geração.”

Os pesquisadores enfatizam que a experimentação ainda é fundamental para avaliar se os materiais gerados por IA podem ser sintetizados e como suas propriedades reais se comparam às previsões dos modelos. Trabalhos futuros no SCIGEN podem incorporar regras de design adicionais aos modelos generativos, incluindo restrições químicas e funcionais.

“Quem quer mudar o mundo se preocupa mais com as propriedades dos materiais do que com a estabilidade e a estrutura dos materiais”, diz Okabe. “Com a nossa abordagem, a proporção de materiais estáveis diminui, mas isso abre caminho para a geração de uma série de materiais promissores.”

O trabalho foi apoiado, em parte, pelo Departamento de Energia dos EUA, pelo Centro Nacional de Computação Científica de Pesquisa Energética, pela Fundação Nacional de Ciências e pelo Laboratório Nacional de Oak Ridge.