Inteligência artificial
IA Descobre Novos Materiais para Baterias de Próxima Geração
Lítio versus o resto
As baterias de íon‑lítio dominaram até agora o cenário da eletrificação, em grande parte devido às propriedades elétricas únicas dos átomos de lítio. Simplificando, o lítio, sendo o 3rd elemento mais leve da tabela periódica, é o mais poderoso quando se trata de transportar cargas com um único elétron.
Fonte: Medium
No entanto, o lítio é caro, tornando as químicas de bateria alternativas potencialmente atraentes economicamente. Notavelmente, as baterias de íon‑sódio têm ganhado atenção por esse mesmo motivo.
Parece que outro design pode ter mais potencial do que se pensava anteriormente: baterias de íons multivalentes. Elas utilizam íons metálicos que podem transportar mais de um elétron simultaneamente, e podem ser mais econômicas que as baterias de íon‑lítio.
O avanço recente foi alcançado usando IA para testar milhões de combinações de materiais para baterias. Essa descoberta foi feita por pesquisadores do New Jersey Institute of Technology (NJIT) e do Rensselaer Polytechnic Institute (RPI) (EUA). Eles publicaram seus resultados na Cell Reports Physical Science1, sob o título “Generative AI for discovering porous oxide materials for next-generation energy storage”.
Os Diversos Tipos de Baterias de Íons
Se o íon‑lítio dominou pequenos eletrônicos e os primeiros projetos de veículos elétricos graças à sua densidade de energia, muitos outros íons metálicos podem ser usados segundo o mesmo princípio.
Como mencionado, o íon‑sódio é atualmente uma alternativa popular, sendo fabricado em massa cada vez mais para modelos de veículos elétricos baratos.
Outra opção é usar magnésio, cálcio, alumínio ou zinco, todos íons multivalentes. Isso significa que eles carregam duas ou até três cargas positivas.
No entanto, a carga maior também vem com tamanhos maiores. Ambas as especificações atômicas maiores tornam os íons multivalentes difíceis de acomodar eficientemente nos materiais de bateria, reduzindo demais a densidade da bateria para ser comercialmente viável.
Pelo menos, isso era verdade com materiais de bateria convencionais desenvolvidos para íons de lítio ou sódio. Mas eles estão longe de ser os únicos materiais de bateria possíveis. Muitas outras estruturas cristalinas poderiam ser construídas para abrigar os íons cujo movimento transporta as cargas elétricas.
“Um dos maiores obstáculos não foi a falta de químicas de bateria promissoras — foi a pura impossibilidade de testar milhões de combinações de materiais,”
Professor Dibakar Datta – New Jersey Institute of Technology (NJIT)
IA Auxiliando a Pesquisa
Um Assistente Poderoso
Mentes humanas não são as melhores para lidar com conjuntos de dados cujos números chegam a milhões. Mas as IAs são excelentes nisso.
É uma tendência crescente entre pesquisadores, especialmente nas ciências dos materiais ou biotecnologia, usar tecnologia de IA para ajudar a identificar as ideias mais promissoras, antes de analisá‑las e testá‑las de forma mais rigorosa.
“Recorremos à IA generativa como uma forma rápida e sistemática de percorrer esse vasto cenário e identificar as poucas estruturas que realmente poderiam tornar as baterias multivalentes práticas,”
Professor Dibakar Datta – New Jersey Institute of Technology (NJIT)
Anteriormente, um modelo computacional baseado apenas em física não teria sido capaz de lidar com o cálculo extremamente complexo necessário para modelar um novo tipo de estrutura cristalina.
Mas novos tipos de IA, baseados em aprendizado de máquina e redes neurais, são mais capazes de “adivinhar” a propriedade geral de um material sem o cálculo matemático formal da física subjacente.
Fonte: Cell
Os pesquisadores desenvolveram um sistema que utiliza simultaneamente dois tipos diferentes de IA, um especializado em cristais e outro LLM (Large Language Model), a mesma base tecnológica por trás do ChatGPT.
Fonte: Cell
Autoencoder Variacional de Difusão Cristalina (CDVAE)
O modelo CDVAE gerou 10.000 estruturas, que foram submetidas a uma série de etapas precisas de triagem e validação para garantir que atendiam aos padrões necessários.
Por exemplo, verificou se a distância entre pares de átomos era suficientemente grande, ou a neutralidade de carga do sistema.
Esse método gerou 42 estruturas potencialmente utilizáveis para materiais de bateria.
Destes, 21 estruturas correspondiam a entradas existentes no banco de dados, mas ofereciam novas configurações com diferenças na estequiometria, parâmetros de rede ou grupos espaciais. As 21 estruturas restantes eram totalmente novas.
Fonte: Cell
Assim, criou tanto novas versões de materiais existentes que eram desconhecidos quanto materiais de bateria totalmente novos com potencial.
LLM
Os pesquisadores então usaram o Llama-3.1-8B da Meta (FB ), especialmente calibrado e adaptado para gerar estruturas cristalinas.
Fonte: Cell
Isso gerou mais de 10.000 estruturas cristalinas, das quais 1.087 permaneceram após verificação de integridade estrutural. Usando os mesmos filtros que o CDVAE, isso resultou em 13 candidatos potenciais, dos quais as 5 estruturas mais estáveis foram escolhidas.
Fonte: Cell
Deslize para rolar →
| Modelo | Estruturas Iniciais | Candidatos Pós‑Filtro | Materiais Estáveis Finais |
|---|---|---|---|
| CDVAE | 10,000 | 42 | 21 variantes + 21 novas |
| LLM (Llama-3.1-8B) | 10,000+ | 13 | 5 mais estáveis escolhidas |
Desafiando as Descobertas das IAs
Os pesquisadores usaram um método matemático de teste chamado “Relaxamento DFT”, calculando a energia livre do material (ligada à estabilidade), para verificar a qualidade do material encontrado.
Rapidamente percebe‑se que os materiais cristalinos gerados pela LLM eram geralmente muito melhores e mais estáveis do que os gerados com CDVAE.
Fonte: Cell
“Nossas ferramentas de IA aceleraram drasticamente o processo de descoberta, que revelou cinco estruturas totalmente novas de óxidos de metais de transição porosos que mostram um potencial notável,”
Professor Dibakar Datta – New Jersey Institute of Technology (NJIT)
Pode Ser Produzido?
A equipe validou suas estruturas geradas por IA usando simulações mecânicas quânticas e testes de estabilidade, confirmando que os materiais podem, de fato, ser sintetizados experimentalmente e têm grande potencial para aplicações reais.
“Esses materiais possuem grandes canais abertos ideais para mover esses volumosos íons multivalentes de forma rápida e segura, um avanço crítico para baterias de próxima geração.”
Professor Dibakar Datta – New Jersey Institute of Technology (NJIT)
O próximo passo será colaborar com laboratórios experimentais para sintetizar e testar os materiais recém‑conceituados projetados por IA.
Isso poderia tornar as baterias multivalentes o próximo passo na tecnologia de baterias. Até agora, a falta de um material adequado para aceitar os átomos maiores bloqueou o desenvolvimento dessa opção. Ao usar materiais melhores para armazenar magnésio, alumínio ou outros íons grandes, a capacidade de transporte de múltiplos elétrons desses átomos pode, talvez um dia, superar até mesmo a poderosa, porém de um único elétron, capacidade de transporte de carga do lítio.
Investindo em Ciência dos Materiais & IA Inovação
Meta: Ciência dos Materiais Impulsionada por IA
Hoje, a Meta ainda é mais conhecida por suas plataformas de mídia social Facebook e Instagram, bem como o chat do WhatsApp. Também está presente no espaço de realidade virtual (VR) com seus Headsets VR e seu “Metaverso” um tanto malsucedido.
Importante, porém, a Meta é uma empresa de IA com investimentos massivos em infraestrutura para tornar isso realidade.
“O primeiro data center de múltiplos gigawatts, apelidado de Prometheus, deve entrar em operação em 2026, enquanto outro, chamado Hyperion, poderá escalar até 5 gigawatts nos próximos anos.
“Estamos construindo vários clusters titã também. Apenas um desses cobre uma parte significativa da área de Manhattan.
A tecnologia LLM parece, à primeira vista, ser mais útil para tarefas de “conversa”, como chatbots, busca online aprimorada, educação e outras atividades centradas no ser humano.
(META )
Mas esta pesquisa ilustra que a capacidade do LLM de aprender linguagem pode ser aplicada a outras tarefas intensivas em dados, como aprender a “falar” estruturas cristalinas. O mesmo pode ser dito para códigos genéticos, por exemplo.
Isso significa que o progresso nos algoritmos de LLM provavelmente inaugurará uma era dourada de descobertas totalmente novas na criação de novos materiais para baterias, materiais avançados, geração de energia, etc., bem como novos tipos de proteínas e materiais de DNA/RNA que podem ser transformados em medicamentos, ferramentas de biomanufatura, etc.
Nesse contexto, isso implica que empresas como a Meta e seus modelos Lama LLM não estão apenas construindo substitutos tecnológicos potencialmente lucrativos para ferramentas existentes, mas também podem se tornar uma potência de propriedade intelectual no mundo físico.
Nesse contexto, pode‑se lembrar que o negócio tecnológico original de empresas como a Meta, ou ainda Google (GOOGL ) ou Microsoft (MSFT ), foi apenas um trampolim antes de transformá‑las em gigantes impulsionados por IA e IP que mudam o mundo com muitas novas tecnologias, incluindo energia renovável e ciências dos materiais.
Últimas Notícias e Desenvolvimentos das Ações da Meta (META)
Estudo Referenciado
1. Joy Datta, Amruth Nadimpally, Nikhil Koratkar, Dibakar Datta. Generative AI for discovering porous oxide materials for next-generation energy storage. Cell Reports Physical Science, Volume 6, Edição 7, 102665. 16 de julho de 2025. https://www.cell.com/cell-reports-physical-science/fulltext/S2666-3864(25)00264-4
