Hoje em dia, qualquer pessoa com um modelo de inteligência artificial suficientemente grande pode gerar milhões de novos projetos de materiais em minutos. Infelizmente, isso não resultou em um grande salto no número de novos materiais usados para melhorar o desempenho de produtos como chips de computador e foguetes.

Uma das razões para a discrepância na tradução é que os modelos atuais não consideram de forma confiável a estabilidade química dos materiais que geram, e materiais instáveis não são muito úteis no mundo real. Isso obriga as indústrias a alocar enormes orçamentos computacionais para filtrar todos os materiais instáveis que geram, deixando, em alguns casos, uma pequena fração de opções utilizáveis.

Agora, pesquisadores do MIT desenvolveram uma estrutura que pode ser aplicada no início do processo de geração de materiais para melhorar drasticamente a taxa de estabilidade, ao mesmo tempo que permite alcançar as propriedades desejadas. Ela funciona garantindo que cada projeto satisfaça certas regras-chave da química relacionadas aos elétrons ao redor dos átomos dos materiais antes do início da etapa de geração, que é mais custosa. Os pesquisadores chamam sua abordagem de "gerador de cristal com design de valência restrita", ou CrysVCD.

Em um artigo publicado hoje na Nature Computational Science , os pesquisadores mostram como o CrysVCD permitiu que diversos modelos de materiais comumente usados atendessem às regras da camada de valência com mais frequência, e o utilizaram para alcançar alta estabilidade da dinâmica da rede cristalina — um teste de estabilidade rigoroso — em quase 70% das gerações computacionais de materiais. Eles também demonstraram que a abordagem pode viabilizar a criação de materiais com propriedades específicas desejadas, como alta condutividade térmica ou alta constante dielétrica, o que é importante para chips de computador e data centers.

Uma pista de como os pesquisadores imaginam que as pessoas usarão seu sistema está no nome.

“Se os modelos de geração de materiais são como DVDs, nós somos como o reprodutor de DVD”, diz Mingda Li, professor associado de ciência e engenharia nuclear. “Você pode inserir isso em qualquer tipo de modelo, não apenas em modelos de difusão existentes, mas também em modelos futuros, onde as pessoas não conseguem gerar materiais estáveis em quantidade suficiente, e isso pode melhorar a estabilidade.”

Além de Li, também participaram do artigo Mouyang Cheng SM '26 e Weiliang Luo, estudantes de doutorado do MIT em ciência e engenharia de materiais e química, respectivamente; Hao Tang PhD '26, recém-formado em ciência e engenharia de materiais; Bowen Yu, estudante de graduação em física; Yongqiang Cheng, cientista do Laboratório Nacional de Oak Ridge; Weiwei Xie, professor associado da Universidade Estadual de Michigan; Ju Li, professor titular da Cátedra Carl Richard Soderberg de Engenharia de Energia do MIT; e Heather Kulik, professora titular da Cátedra Lammot du Pont de Engenharia Química do MIT.

As abordagens computacionais para o projeto de materiais existem há décadas, mas os recentes avanços na inteligência artificial aumentaram o entusiasmo em relação ao seu potencial. De particular interesse são os modelos que podem partir de uma propriedade desejada do material e trabalhar de trás para frente para fornecer um material que atinja esse objetivo.

Alguns desses modelos usam uma técnica de IA conhecida como difusão, comumente usada para gerar imagens, enquanto outros usam grandes modelos de linguagem, como o que alimenta o ChatGPT e o Claude,  mas ambas as abordagens têm dificuldade em garantir que suas gerações de materiais alcancem estabilidade química ou sigam princípios fundamentais sobre como os produtos químicos interagem e se comportam.

A solução encontrada foi adicionar mais uma camada de computação sobre o processo generativo para filtrar materiais instáveis.

Grandes empresas com orçamentos computacionais enormes podem se dar ao luxo de executar esses processos, mas muitas pequenas empresas e laboratórios de pesquisa não podem, o que pode limitar a inovação na área.

“No meio acadêmico, onde temos menos recursos, acredito que ainda podemos alcançar um desempenho sólido com projetos mais inteligentes e outras abordagens”, explica Kulik. “Gerar um modelo e depois selecionar os mais estáveis é ineficiente. O custo computacional é alto. Mas se incluirmos um modelo de linguagem no início do processo para restringir a geração, podemos aumentar significativamente a proporção de materiais estáveis ??gerados.”

O novo estudo envolveu pesquisadores do MIT afiliados aos departamentos de Ciência e Engenharia de Materiais, Química, Engenharia Química, Física e Ciência e Engenharia Nuclear. Juntos, os pesquisadores combinaram modelos de difusão de IA com um modelo de linguagem. Na primeira etapa do processo, o modelo de linguagem produz fórmulas quimicamente válidas. Na segunda etapa, o modelo de difusão usa essa fórmula para gerar a estrutura atômica correspondente do material cristalino em coordenação com o modelo de geração de material subjacente.

“A difusão para a geração típica de materiais é um processo lento — você pode pensar nisso como 1.000 etapas para criar um único material”, diz Luo.

“Em contrapartida, quando nosso modelo é usado no início, você pode pensar nele como cinco etapas. Ele permite filtrar os materiais instáveis para gerar materiais de maior qualidade. E funciona com qualquer modelo de geração de materiais”, acrescenta Tang.

Os pesquisadores demonstraram que sua abordagem criou materiais mais estáveis com uma eficiência dez vezes maior do que as abordagens que dependem da triagem de materiais após sua geração. Quando ajustada com base em métricas de estabilidade, sua abordagem produziu materiais cristalinos que atingiram 68% de estabilidade mecânica e 85% de metaestabilidade, que mede se um material permanece em um estado estável quando não perturbado.

Em seguida, os pesquisadores utilizaram essa abordagem para gerar materiais candidatos com alta condutividade térmica e fácil polarização em um campo elétrico.

“Esses são materiais úteis para a indústria de semicondutores e materiais de alta condutividade térmica relevantes para o resfriamento de data centers”, diz Ju Li. “Em princípio, você também poderia usá-los para criar outras propriedades, mas a condutividade térmica se tornou realmente importante para o resfriamento de data centers. Houve um enorme aumento no consumo de energia nesse setor, e 30% dessa energia é destinada ao resfriamento. O setor precisa de materiais com alta condutividade térmica para remover o calor com mais eficiência.”

A nova abordagem não funciona com todos os tipos de materiais — ela funciona melhor com estruturas sólidas com arranjos internos altamente ordenados. Mesmo assim, a abordagem poderia ser usada para gerar novos materiais cristalinos estáveis com uma série de propriedades importantes.

“Não estamos apenas gerando materiais estáveis, também estamos priorizando o desempenho”, diz Cheng. “Sempre que você tem dois objetivos, alcançá-los com mais de 50% de precisão é difícil neste campo. No passado, as pessoas podiam ter como objetivo propriedades específicas e não a estabilidade, ou vice-versa, e obter uma porcentagem de materiais de um dígito que atendiam ao seu objetivo.”

Em última análise, essa abordagem permitirá que mais pesquisadores desenvolvam novos materiais para uma gama de aplicações de próxima geração.

“Isso vai economizar enormes custos de computação e tempo, eliminando os requisitos de seleção subsequentes”, diz Li. “Isso ajudará não apenas grandes projetos que geram centenas de milhões de materiais, mas também grupos de pesquisa menores com aplicações específicas.”

O trabalho foi financiado, em parte, pelo Departamento de Energia dos EUA, por uma bolsa de engenharia da Mathworks, pela Fundação Nacional de Ciência e pela Agência de Redução de Ameaças de Defesa dos EUA.