Modelos generativos de inteligência artificial têm sido usados para criar enormes bibliotecas de materiais teóricos que podem ajudar a resolver todos os tipos de problemas. Agora, os cientistas só precisam descobrir como produzi-los.

Em muitos casos, a síntese de materiais não é tão simples quanto seguir uma receita na cozinha. Fatores como a temperatura e o tempo de processamento podem gerar mudanças drásticas nas propriedades de um material, que podem determinar seu desempenho. Isso tem limitado a capacidade dos pesquisadores de testar milhões de materiais promissores gerados por modelos.

Agora, pesquisadores do MIT criaram um modelo de IA que guia cientistas no processo de fabricação de materiais, sugerindo rotas de síntese promissoras. Em um novo artigo, eles demonstraram que o modelo oferece precisão de última geração na previsão de vias de síntese eficazes para uma classe de materiais chamados zeólitas, que podem ser usadas para aprimorar processos de catálise, absorção e troca iônica. Seguindo suas sugestões, a equipe sintetizou um novo material zeolítico que apresentou estabilidade térmica aprimorada.

Os pesquisadores acreditam que seu novo modelo pode superar o maior obstáculo no processo de descoberta de materiais.

“Para usar uma analogia, sabemos que tipo de bolo queremos fazer, mas neste momento não sabemos como assá-lo”, diz o autor principal, Elton Pan, candidato a doutorado no Departamento de Ciência e Engenharia de Materiais (DMSE) do MIT. “Atualmente, a síntese de materiais é feita por meio de conhecimento especializado e tentativa e erro.”

O artigo que descreve o trabalho foi publicado hoje na Nature Computational Science . Além de Pan, também participaram do artigo Soonhyoung Kwon '20, PhD '24; o pós-doutorando do DMSE, Sulin Liu; o estudante de doutorado em engenharia química Mingrou Xie; o pós-doutorando do DMSE, Alexander J. Hoffman; o assistente de pesquisa Yifei Duan SM '25; o estudante visitante do DMSE, Thorben Prein; o candidato a doutorado do DMSE, Killian Sheriff; o professor titular da Cátedra Robert T. Haslam de Engenharia Química do MIT, Yuriy Roman-Leshkov; o professor da Universidade Politécnica de Valência, Manuel Moliner; o professor titular da Cátedra Paul M. Cook de Desenvolvimento de Carreira do MIT, Rafael Gómez-Bombarelli; e a professora titular da Cátedra Jerry McAfee de Engenharia do MIT, Elsa Olivetti.

Investimentos maciços em IA generativa levaram empresas como Google e Meta a criar enormes bancos de dados repletos de receitas de materiais que, pelo menos teoricamente, possuem propriedades como alta estabilidade térmica e absorção seletiva de gases. Mas a produção desses materiais pode exigir semanas ou meses de experimentos meticulosos que testam temperaturas de reação específicas, tempos, proporções de precursores e outros fatores.

Atualmente, o processo de síntese na descoberta de materiais costuma ser o que leva mais tempo em toda a jornada de um material, da hipótese à sua utilização.

Para ajudar os cientistas a navegar nesse processo, os pesquisadores do MIT treinaram um modelo de IA generativo com mais de 23.000 receitas de síntese de materiais descritas em artigos científicos ao longo de 50 anos. Os pesquisadores adicionaram "ruído" aleatório às receitas de forma iterativa durante o treinamento, e o modelo aprendeu a remover o ruído e a selecionar amostras a partir dele para encontrar rotas de síntese promissoras.

O resultado é o DiffSyn, que utiliza uma abordagem em IA conhecida como difusão.

“Os modelos de difusão são basicamente um modelo de IA generativo como o ChatGPT, mas mais parecido com o modelo de geração de imagens DALL-E”, diz Pan. “Durante a inferência, ele converte o ruído em estrutura significativa, subtraindo um pouco de ruído a cada passo. Nesse caso, a 'estrutura' é a rota de síntese para um material desejado.”

Quando um cientista que utiliza o DiffSyn insere uma estrutura de material desejada, o modelo oferece algumas combinações promissoras de temperaturas de reação, tempos de reação, proporções de precursores e muito mais.

“Basicamente, ele te ensina como assar o seu bolo”, diz Pan. “Você tem um bolo em mente, insere a receita no modelo e ele gera as receitas de síntese. O cientista pode escolher o caminho de síntese que quiser, e existem maneiras simples de quantificar o caminho de síntese mais promissor dentre as opções que fornecemos, o que mostramos em nosso artigo.”

Para testar seu sistema, os pesquisadores usaram o DiffSyn para sugerir novas rotas de síntese para uma zeólita, uma classe de materiais complexa e que leva tempo para se transformar em um material testável.

“As zeólitas têm um espaço de síntese de altíssima dimensionalidade”, diz Pan. “As zeólitas também tendem a levar dias ou semanas para cristalizar, então o impacto [de encontrar o melhor caminho de síntese mais rapidamente] é muito maior do que o de outros materiais que cristalizam em horas.”

Os pesquisadores conseguiram produzir o novo material zeolítico utilizando rotas de síntese sugeridas pelo DiffSyn. Testes subsequentes revelaram que o material apresentava uma morfologia promissora para aplicações catalíticas.

“Os cientistas têm testado diferentes receitas de síntese uma a uma”, diz Pan. “Isso torna o processo muito demorado. Este modelo consegue analisar 1.000 delas em menos de um minuto. Ele fornece uma estimativa inicial muito boa para receitas de síntese de materiais completamente novos.”

Anteriormente, pesquisadores construíram modelos de aprendizado de máquina que mapeavam um material para uma única receita. Essas abordagens não levam em consideração que existem diferentes maneiras de produzir o mesmo material.

O DiffSyn é treinado para mapear estruturas de materiais em vários caminhos de síntese possíveis. Pan afirma que isso está mais alinhado com a realidade experimental.

“Trata-se de uma mudança paradigmática, passando de uma relação direta entre estrutura e síntese para uma relação de um para muitos”, afirma Pan. “Esse é um dos principais motivos pelos quais obtivemos ganhos expressivos nos testes de referência.”

Olhando para o futuro, os pesquisadores acreditam que a abordagem poderá servir de base para o treinamento de outros modelos que orientem a síntese de materiais além das zeólitas, incluindo estruturas metalorgânicas, sólidos inorgânicos e outros materiais que possuam mais de uma via de síntese possível.

“Essa abordagem poderia ser estendida a outros materiais”, diz Pan. “Agora, o gargalo é encontrar dados de alta qualidade para diferentes classes de materiais. Mas as zeólitas são complexas, então imagino que estejam próximas do limite máximo de dificuldade. Eventualmente, o objetivo seria integrar esses sistemas inteligentes com experimentos autônomos no mundo real e raciocínio ativo com base no feedback experimental para acelerar drasticamente o processo de design de materiais.”

O trabalho contou com o apoio da MIT International Science and Technology Initiatives (MISTI), da National Science Foundation, da Generalitat Vaslenciana, do Office of Naval Research, da ExxonMobil e da Agency for Science, Technology and Research de Singapura.