5 Avanços de IA Transformando a Descoberta de Materiais Hoje

A inteligência artificial (IA) continua a transformar o mundo e remodelar o futuro da humanidade.

A tecnologia está impulsionando mudanças em quase todos os setores ao executar tarefas que normalmente exigem inteligência humana. Sistemas de IA utilizam enormes quantidades de dados para identificar padrões e tomar decisões.

Dessa forma, a IA consegue simular certos níveis de raciocínio e processos cognitivos semelhantes aos humanos.

De acordo com o Relatório Mundial de Comércio, os ganhos de produtividade e benefícios de custo da IA podem impulsionar o PIB global em 12-13% até 2040.

Reduzindo sua lacuna de infraestrutura digital em relação às economias de alta renda em 50% e adotando a IA de forma mais ampla, as economias de baixa e média renda podem observar um aumento de até 15% em suas rendas.

Além de ajudar as nações a reforçar sua produtividade, comércio e posição econômica, a IA pode ajudar a sociedade ao impulsionar inovações em diversos setores. Uma das maneiras pelas quais a tecnologia está fazendo isso atualmente é por meio da descoberta de materiais.

A Promessa da IA na Descoberta de Materiais

A descoberta de materiais sempre foi fundamental para a inovação. Há muitos séculos, a mistura de cobre e estanho levou à Idade do Bronze, quando ferramentas e armas mais fortes transformaram o comércio e as sociedades.

Depois veio a Idade do Ferro, quando o domínio do ferro remodelou as economias. Avançando para o século XIX, o aço ganhou adoção generalizada. Uma liga de ferro e carbono, o aço foi a espinha dorsal das ferrovias, arranha-céus, navios e maquinários, alimentando a Revolução Industrial e a expansão global.

No final do século XX, a Era do Silício transformou o mundo com a descoberta e refinamento dos semicondutores que são a base da eletrônica moderna. Estamos agora na era dos materiais avançados, onde grafeno, nanotubos de carbono e materiais quânticos estão abrindo portas para energia mais limpa, aeronaves mais leves e computação mais rápida.

O advento da IA e do aprendizado de máquina (ML) está contribuindo para a inovação em materiais e, por extensão, em várias indústrias, acelerando significativamente o processo de descoberta, design e otimização de materiais.

Para isso, a IA utiliza algoritmos e modelos para analisar vastos bancos de dados de candidatos para necessidades de aplicação específicas. Aqui, modelos de deep learning como Redes Neurais de Grafos (GNNs) e Redes Neurais Recorrentes (RNNs) são cruciais para analisar os conjuntos de dados complexos encontrados na ciência dos materiais.

Eles também podem identificar materiais existentes com propriedades desejadas a partir desses bancos de dados e até prever as propriedades dos materiais com base em sua composição e estrutura.

Com a ajuda da IA, o campo da ciência dos materiais pode ir além dos métodos tradicionais de tentativa e erro, que são demorados e caros.

Além disso, modelos de IA podem gerar novas estruturas de materiais adaptadas a requisitos específicos. Quando integrados a plataformas experimentais automatizadas, a IA pode acelerar o longo processo de descoberta de materiais até a produção.

Apesar desses benefícios, desafios permanecem em termos da falta de dados de qualidade e extensos para certos materiais. A síntese bem‑sucedida de materiais recém‑descobertos e projetados no laboratório é outro grande desafio.

Como o cientista de materiais Anthony Cheetham, da UCSB, observou na Nature¹ após examinar a lista de 2,2 milhões de cristais hipotéticos encontrados pelo GNoME, uma ferramenta de IA da DeepMind, subsidiária da Alphabet (GOOG ) (Google), “Descobrir um composto é uma coisa, e descobrir um novo material funcional é algo totalmente diferente.”

Apontando ainda a impraticabilidade de muitos compostos previstos pela IA, Cheetham disse: “Encontramos muitas coisas que eram ridículas.”

“Encontramos muitas coisas que eram ridículas.”

Isso mostra a lacuna entre a previsão e a realização prática. O que essa lacuna requer é a combinação de IA com expertise humana e ciência experimental.

Ainda assim, a promessa da IA de revolucionar a ciência dos materiais simplesmente não pode ser descartada. Dada sua capacidade de levar ao desenvolvimento mais rápido de materiais para energia, saúde, automotivo, aeroespacial e outras aplicações cruciais, esse impacto é grande demais para ser ignorado.

Então, vamos dar uma olhada em alguns dos exemplos mais proeminentes da aplicação da IA na ciência dos materiais que demonstram seu potencial para expandir os limites da descoberta e inovação de materiais.

Deslize para rolar →

1. Células Solares de Perovskita: Materiais e Processamento Otimizados por IA

Uma das soluções mais promissoras para alcançar energia sustentável é a energia solar, e sua adoção está aumentando rapidamente. Em 2024, o mundo instalou um recorde de ~600 GW de energia solar, um aumento de 33% em relação a 2023. Até o final da década, espera‑se que isso alcance ~1 TW por ano.

Essa crescente demanda por energia solar cria a necessidade de materiais mais eficientes, versáteis e econômicos para células solares.

A perovskita é um desses materiais que oferece uma estrutura cristalina única. O mineral que ocorre naturalmente pode agora ser recriado sinteticamente. Ao misturar elementos orgânicos e inorgânicos, os cientistas criam perovskitas sintéticas que exibem notáveis propriedades de absorção de luz, tornando-as altamente adequadas para aplicações solares.

Além da alta eficiência, esses materiais oferecem os benefícios de flexibilidade e banda proibida ajustável, mas questões de escalabilidade e estabilidade persistem; portanto, a busca por novas composições.

Assim, os pesquisadores recorreram à IA para correlacionar o desempenho das células solares de perovskita (PSCs) com propriedades dos materiais e processos de conversão de energia há mais de uma década. Eles então utilizaram a tecnologia para otimizar a composição dos materiais, desenvolver estratégias de design e prever o desempenho.

Em 2019, pesquisadores da University of Central Florida revisaram mais de 2.000 publicações revisadas por pares sobre perovskita para coletar mais de 200 pontos de dados, que foram alimentados ao sistema de IA que criaram para obter a melhor receita para células solares de perovskita (PSC). No mesmo ano, cientistas do MIT desenvolveram um modelo para acelerar a síntese e análise de novos compostos em um fator de dez e encontraram duas novas perovskitas livres de chumbo dignas de investigação adicional.

Em 2022, pesquisadores do MIT e da Stanford University relataram ter usado a IA para ampliar a fabricação de células solares avançadas.

Para isso, foi criado um sistema, em desenvolvimento há vários anos, para integrar dados de experimentos anteriores, bem como informações baseadas nas observações pessoais de trabalhadores experientes. Essa integração tornou os resultados mais precisos e levou à fabricação de células de perovskita com eficiência de conversão de energia de 18,5%.

Isto difere da maioria dos sistemas de aprendizado de máquina, que utilizam principalmente dados brutos e tipicamente não incorporam a experiência humana. Para incluir informações externas em seu modelo, eles usaram um fator de probabilidade baseado em Otimização Bayesiana, permitindo-lhes “descobrir tendências que não podíamos ver antes”.

A descoberta da tecnologia solar avançada de perovskita com a ajuda da IA está continuando e ganhando velocidade para aumentar a eficiência das PSCs. Em um desses estudos, a eficiência foi aumentada para 26,2% enquanto se economizavam “enormes quantidades de tempo e recursos”.

⬆ Voltar à tabela

2. Eletrocatalisadores Descobertos por IA para Produção de Hidrogênio

Um substituto promissor para os combustíveis fósseis não renováveis, responsáveis por enormes quantidades de emissões de gases de efeito estufa (GEE), é o hidrogênio. O elemento mais abundante no universo, o hidrogênio, emergiu como uma fonte de energia limpa e renovável.

No entanto, a produção eficiente de hidrogênio para atender à demanda em escala comercial é um desafio sério. Aqui, a eletrólise de divisão de água oferece um caminho promissor, onde a eletrocatalise desempenha um papel crítico. Isso torna o desenvolvimento de eletrocatalisadores de baixo custo, ativos e estáveis um pré‑requisito essencial para obter a produção eletrocatalítica desejada de hidrogênio a partir da divisão de água.

Eletrocatalisadores aceleram a produção de hidrogênio ao reduzir a energia necessária para a divisão de água, utilizando metais preciosos caros como platina ou alternativas mais acessíveis como níquel, cobalto, grafeno, MXenes e outros.

Além das propriedades e custo do material, um catalisador específico é escolhido com base em se a reação é ácida, alcalina ou opera em altas temperaturas.

No entanto, é muito demorado e caro usar o método tradicional de tentativa e erro para buscar materiais existentes e novos adequados para melhorar as reações, portanto a IA está sendo utilizada para superar as limitações das abordagens tradicionais, descobrir novos candidatos e melhorar produtos conhecidos.

Um estudo recente relatou que sua IA filtrada por entropia, treinada em um conjunto de dados DoE, analisou 16,2 milhões de composições químicas para identificar Fe12Co28Ni33Mo17Pd5Pt5 como a melhor composição para a divisão de água. A liga apresenta sobretensões ultrabaixas para ambas as reações eletrocatalíticas fundamentais, HER e OER, mantendo robusta estabilidade.

Entretanto, há alguns anos, o laboratório de IA da Google, DeepMind, contribuiu com 380.000 novos compostos para o Materials Project, uma plataforma que sustenta muitas buscas de catalisadores e experimentos autônomos.

O banco de dados de acesso aberto fundado no Laboratório Berkeley do Departamento de Energia tem sido usado por pesquisadores para confirmar experimentalmente propriedades úteis em novos materiais que mostram potencial para uso em captura de carbono e como fotocatalisadores, termelétricos e condutores transparentes.

O banco de dados inclui como os átomos de um material estão dispostos e quão estável ele é. O GNoME foi treinado usando os dados e fluxos de trabalho desenvolvidos pelo Projeto e depois aprimorado por aprendizado ativo.

Usando os cálculos do GNoME da Google DeepMind juntamente com dados do Materials Project, os pesquisadores testaram o A‑Lab, uma instalação no Berkeley Lab onde a IA orienta robôs na criação de novos materiais. O A‑Lab produziu com sucesso 41 novos compostos.

⬆ Voltar à tabela

3. Materiais Superduros: Descoberta Guiada por ML Além do Diamante

Indústrias como militar, aeroespacial e produção de energia demandam materiais superduros, que são sólidos praticamente incompressíveis. O valor de dureza desses materiais supera 40 gigapascais (GPa) na escala Vickers, e eles apresentam alta covalência de ligações e alta densidade eletrônica.

O diamante é o material mais duro conhecido até hoje, ostentando um valor de dureza na faixa de 70‑150 GPa. Isso significa que seria necessária uma pressão superior a isso (70‑150 GPa) para deixar uma impressão na superfície do diamante. Como resultado, ele é usado em ferramentas de corte, abrasivos, revestimentos resistentes ao desgaste e para criar experimentos de alta pressão.

Essas pedras preciosas, que são uma forma sólida do elemento carbono com seus átomos dispostos em uma estrutura cristalina cúbica de diamante, também são usadas por cientistas para encontrar novos materiais adequados. Mas a IA mudou isso.

Ao longo dos anos, vários pesquisadores encontraram novas fases superduros, com um relatando BC10N, B4C5N3 e B2C3N exibindo fases dinamicamente estáveis com valores de dureza >40 GPa.

Em 2020, pesquisadores da University of Houston e da Manhattan College utilizaram um modelo de ML para prever com precisão a dureza de novos materiais, permitindo-lhes encontrar compostos adequados de forma mais fácil.

A quantidade de alta pressão necessária para deixar qualquer marca na superfície de um material os torna raros, e “identificar novos materiais é desafiador”. E isso é exatamente o motivo pelo qual “materiais como diamante sintético ainda são usados, embora sejam difíceis e caros de produzir”, disse o coautor do artigo Jakoah Brgoch, professor associado de química na University of Houston.

Um fator complicador aqui é a dependência de carga, que significa que a dureza de um material pode variar dependendo da quantidade de pressão aplicada. Isso torna o teste experimental de um material complexo. Mesmo o uso de modelagem computacional é quase impossível, então os pesquisadores criaram um modelo que supera o desafio ao prever a dureza Vickers dependente da carga apenas com base na composição química do material.

O algoritmo foi negociado em um banco de dados que envolvia 560 compostos diferentes, exigindo a análise de centenas de artigos acadêmicos. “Todos os bons projetos de aprendizado de máquina começam com um bom conjunto de dados”, disse Brgoch. “O verdadeiro sucesso depende em grande parte do desenvolvimento desse conjunto de dados.”

Como resultado, eles encontraram mais de 10 novas fases estáveis de borocarbonetos, e com a precisão do modelo em 97%, sentem‑se otimistas quanto ao sucesso no laboratório.

A IA não está isenta de limitações, porém, como Brgoch observou, “A ideia de usar aprendizado de máquina não é dizer, ‘Aqui está o próximo grande material’, mas ajudar a orientar nossa busca experimental.” O que a tecnologia faz é “dizer onde você deve procurar”.

⬆ Voltar à tabela

4. Dielétricos Poliméricos: Materiais de Armazenamento de Energia Acelerados por IA

Um componente essencial do armazenamento de energia moderno são os dielétricos, que são materiais não condutores como ar, vidro e plástico.

A escolha do material dielétrico determina a densidade de energia dos capacitores, e os dielétricos poliméricos são amplamente utilizados para armazenamento de energia devido ao seu baixo custo, flexibilidade mecânica, confiabilidade, velocidade de descarga rápida e facilidade de processamento. Mas, novamente, sua baixa densidade de energia é um problema.

Como resultado, os pesquisadores buscam continuamente melhorar o desempenho desenvolvendo novos dielétricos poliméricos para aumentar sua capacidade de armazenamento de energia para aplicações em sistemas de energia, eletrônicos e veículos elétricos (EVs).

A IA fez progressos incríveis em materiais poliméricos. Por exemplo, há apenas alguns meses, pesquisadores do MIT e da Duke University colaboraram para criar polímeros mais duráveis incorporando moléculas de reticulantes responsivas ao estresse, que foram identificadas por IA. Pesquisadores do MIT também construíram um sistema que encontra, mistura e testa até 700 novos blends poliméricos por dia para aplicações como eletrólitos de baterias, estabilização de proteínas ou materiais de liberação de fármacos.

Projetar novos blends poliméricos apresenta o problema de um número quase infinito de polímeros possíveis para iniciar, e uma vez que alguns foram selecionados para mistura, a composição de cada polímero deve ser escolhida, bem como a concentração dos polímeros no blend.

“Ter um espaço de design tão grande requer soluções algorítmicas e fluxos de trabalho de alta produtividade, porque simplesmente não seria possível testar todas as combinações usando força bruta.”

– Autor sênior do artigo, Connor Coley

O sistema de IA deles forneceu blends ótimos, sendo o melhor 18% mais eficaz que seus componentes individuais.

Dada a eficiência com que a IA fornece novas opções e blends de polímeros, faz sentido aplicar a tecnologia para identificar dielétricos poliméricos melhores.

Uma equipe de pesquisadores fez exatamente isso e descobriu dielétricos com 11 vezes a densidade de energia das alternativas comerciais em temperaturas elevadas.

O algoritmo inovador foi desenvolvido para prever as propriedades e formulações de polímeros antes de realmente criá-los. Para isso, eles primeiro definiram requisitos específicos e depois treinaram os modelos de ML em dados existentes de propriedades de materiais para prever os resultados desejados.

Além da IA, os pesquisadores empregaram química polimérica estabelecida e engenharia molecular para descobrir uma série de dielétricos nas famílias de polinorbreneno e poliimida, com muitos dos dielétricos descobertos exibindo alta densidade de energia e alta estabilidade térmica em ampla faixa de temperatura.

Mas um em particular exibiu uma densidade de energia de 8,3 J cc⁻¹ a 200 °C, que é muito maior que o dielétrico polimérico comercialmente disponível.

“Nos primeiros dias da IA na ciência dos materiais, impulsionada pela Iniciativa do Genoma de Materiais da Casa Branca há mais de uma década, a pesquisa nessa área era em grande parte motivada pela curiosidade. Só nos últimos anos começamos a ver histórias de sucesso tangíveis e reais em descoberta acelerada de polímeros impulsionada por IA”, disse o coautor Rampi Ramprasad, professor no Georgia Institute of Technology. “Esses sucessos agora estão inspirando transformações significativas no panorama de P&D de materiais industriais.”

⬆ Voltar à tabela

5. Eletrólitos Sólidos: IA para Baterias Mais Seguras e de Maior Densidade

Impulsionado pela adoção generalizada de dispositivos portáteis e veículos elétricos e pela crescente demanda por soluções de armazenamento de energia renovável, o mercado global de baterias está avançando rapidamente. rapidamente avançando¹⁷. Dado o papel importante que as baterias desempenham no mundo moderno, os cientistas estão constantemente tentando desenvolver tecnologias de bateria mais eficientes em energia e mais seguras.

Embora as baterias de íon‑lítio sejam as mais amplamente usadas hoje, elas têm vida útil limitada e riscos de segurança, que são abordados pelas baterias de estado sólido (SSBs).

Essas baterias substituem eletrólitos líquidos por eletrólitos de estado sólido para eliminar o risco de inflamação em temperaturas elevadas, ao mesmo tempo que permitem maior densidade de energia e melhoram a durabilidade, criando baterias mais seguras e mais potentes.

Mas essas baterias com eletrólitos sólidos enfrentam seus próprios desafios, como baixa condutividade iônica, compatibilidade de interface de eletrodo, estabilidade mecânica e química, e fabricação com custo‑efetivo. Portanto, os pesquisadores estão explorando materiais que podem superar esses problemas por meio da IA.

Ao contrário de outras áreas que discutimos hoje, as baterias são um dos campos mais quentes onde a aplicação de IA explodiu devido ao envolvimento de grandes fabricantes de automóveis e startups que estão investindo recursos em P&D de baterias de estado sólido. Além do risco de segurança, o setor também acumulou grandes bancos de dados, suficientemente ricos para treinar modelos de ML.

Até mesmo governos listaram as SSBs como prioridade estratégica para garantir cadeias de suprimento domésticas e alcançar metas nacionais de energia e clima.

Portanto, há várias situações em que a IA ajudou pesquisadores e empresas a descobrir novos eletrólitos sólidos.

No ano passado, pesquisadores da Microsoft (MSFT ) usaram IA juntamente com supercomputadores para analisar 32 milhões de materiais inorgânicos potenciais e encontrar 18 candidatos promissores em poucos dias. O novo material, N2116, é um eletrólito de estado sólido que pode reduzir o uso de lítio em baterias em 70% e foi testado para alimentar uma lâmpada.

Enquanto isso, a ferramenta de IA da DeepMind, GNoME, identificou 528 condutores de íon‑lítio promissores, alguns dos quais podem ajudar a tornar as baterias mais eficientes.

Depois há o LBS (Li8B10S19) dos pesquisadores de Stanford, que o chamaram de “o eletrólito de íon‑lítio à base de enxofre mais estável que já vimos experimentalmente”. Os pesquisadores primeiro identificaram eletrólitos sólidos para, algum dia, substituir os eletrólitos líquidos inflamáveis em baterias de íon‑lítio via IA há cerca de uma década.

⬆ Voltar à tabela

Conclusão

Esses exemplos mostram que a IA pode acelerar a forma como descobrimos novos materiais. O desafio agora é transformar as previsões computacionais em resultados reais, o que significa combinar IA com pesquisadores experientes e dados confiáveis.

Deslize para rolar →

O que estamos vendo são os primeiros dias. Essas descobertas nos levam a energia mais limpa, tecnologia mais segura, materiais mais resistentes e indústrias que não esgotam o planeta. A IA está mudando a forma como fazemos ciência dos materiais, e isso importa para o que vem a seguir.

Clique aqui para aprender tudo sobre investir em inteligência artificial.

Referências

1. Peplow, M. (2025). IA está sonhando com milhões de novos materiais. Eles são bons? Nature, 646, 22–25. Publicado 1 de outubro de 2025. https://doi.org/10.1038/d41586-025-03147-92
2. University of Central Florida. (16 de dezembro de 2019). Inteligência artificial pode ajudar cientistas a fabricar células solares pulverizadas. ScienceDaily. Publicado 16 de dezembro de 2019 https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. Gu, Y., Wang, Z., Chen, L., Bi, W., & Peng, Y. (2019). Células solares de perovskita de alta eficiência via deposição a vapor de fonte única. Joule, 3(12), 3026–3043. https://doi.org/10.1016/j.joule.2019.09.016
4. Liu, Z., Rolston, N., Flick, A. C., Colburn, T. W., Ren, Z., Dauskardt, R. H. & Buonassisi, T. (2022). Aprendizado de máquina com restrições de conhecimento para otimização de processos na fabricação de células solares de perovskita em ambiente aberto. Joule, 6(4), 834. https://doi.org/10.1016/j.joule.2022.03.003
5. Wu, J., Torresi, L., Hu, M., Reiser, P., Zhang, J., Rocha‑Ortiz, J. S., Wang, L., Xie, Z., Zhang, K., Park, B.-w., Barabash, A., Zhao, Y., Luo, J., Wang, Y., Lüer, L., Deng, L.-L., Hauch, J. A., Guldi, D. M., Pérez‑Ojeda, M. E., Seok, S. I., Friederich, P. & Brabec, C. J. (2024). Fluxo de trabalho de design inverso descobre materiais de transporte de lacunas sob medida para células solares de perovskita. Science, 386(6727), 1256-1264. Publicado 13 de dezembro de 2024. https://doi.org/10.1126/science.ads0901
6. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. & Wang, X. (2024). Desbloqueando o potencial: aplicações de aprendizado de máquina no design de eletrocatalisadores para transformação de energia de hidrogênio eletroquímica. Chemical Society Reviews, 53, 11390–11461. Publicado 9 de outubro de 2024. https://doi.org/10.1039/D4CS00844H
7. Kim, J., Kim, D. W., Choi, J. H., Goddard, W. A., & Kang, J. K. (2025). Design impulsionado por IA de ligas de múltiplos elementos principais para divisão de água ótima. Proceedings of the National Academy of Sciences of the United States of America, 122(28), e2504226122. Publicado 15 de julho de 2025. https://doi.org/10.1073/pnas.2504226122
8. Szymanski, N. J., Rendy, B., Fei, Y., Kumar, R. E., He, T., Milsted, D., McDermott, M. J., Gallant, M., Cubuk, E. D., Merchant, A., Kim, H., Jain, A., Bartel, C. J., Persson, K. & Zeng, Y. (2023). Um laboratório autônomo para a síntese acelerada de novos materiais. Nature, 624, 86–91. Publicado 29 de novembro de 2023. https://doi.org/10.1038/s41586-023-06734-w
9. Avery, P., Wang, X., Oses, C., Toher, C., Curtarolo, S., Mehl, M. J., Levy, O., Kramer, M. J. & Gaultois, M. W. (2019). Predição de materiais superduros via busca evolutiva de estrutura informada por aprendizado de máquina. npj Computational Materials, 5, 89. Publicado 3 de setembro de 2019. https://doi.org/10.1038/s41524-019-0226-8
10. Chen, W. C., Schmidt, J. N., Yan, D., Oses, C., Toher, C., Curtarolo, S. & Mehl, M. J. (2021). Aprendizado de máquina e predição evolutiva de compostos B‑C‑N superduros. npj Computational Materials, 7, 114. Publicado em 21 julho de 2021. https://doi.org/10.1038/s41524-021-00585-7
11. Zhang, Ziyan, Mansouri Tehrani, Aria, Oliynyk, Anton O., Day, Blake & Brgoch, Jakoah. (2021). Encontrando o próximo material superduro através de Ensemble Learning. Advanced Materials, 33(5), e2005112. Publicado 4 de dezembro de 2020. https://doi.org/10.1002/adma.202005112
12. MIT News. (5 de agosto de 2025). IA ajuda químicos a desenvolver plásticos mais resistentes. MIT News. Recuperado em 5 de agosto de 2025, de https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805
13. MIT News. (28 de julho de 2025). Novo sistema acelera drasticamente a busca por materiais poliméricos. MIT News. Recuperado em 5 de agosto de 2025, de https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728
14. Tan, D. Q. (2020). A busca por maior resistência dielétrica de dielétricos baseados em polímeros: uma revisão focada em nanocompósitos poliméricos. Journal of Applied Polymer Science, 137, e49379. Publicado 5 de abril de 2020. https://doi.org/10.1002/app.4937915.
15. Ji, S., Jeong, D.-Y. & Kim, C. (2022). Design de alta constante dielétrica de compósitos poliméricos usando rede neural artificial. Applied Sciences, 12, 12592. Publicado 25 de dezembro de 2022. https://doi.org/10.3390/app122412592
16. Gurnani, R., Shukla, S., Kamal, D., Wu, C., Hao, J., Kuenneth, C., Aklujkar, P., Khomane, A., Daniels, R., Deshmukh, A. A., Cao, Y., Sotzing, G. & Ramprasad, R. (2024). Descoberta assistida por IA de dielétricos de alta temperatura para armazenamento de energia. Nature Communications, 15(1), 6107. Publicado 19 de julho de 2024. https://doi.org/10.1038/s41467-024-50413-x
17. Lombardo, T., Paoli, L., Fernandez Pales, A. & Gül, T. (2025). A indústria de baterias entrou em uma nova fase. IEA Commentary. Publicado 5 de março de 2025. https://www.iea.org/commentaries/the-battery-industry-has-entered-a-new-phase
18. Hu, Q., Chen, K., Li, J., Zhao, T., Liang, F. & Xue, D. (2024). Acelerando o desenvolvimento de eletrólitos de estado sólido por aprendizado de máquina. Next Energy, 5, 100159. https://doi.org/10.1016/j.nxener.2024.100159
19. Wang, S., Liu, J., Song, X., Xu, H., Gu, Y., Fan, J., Sun, B. & Yu, L. (2025). Inteligência Artificial capacita baterias de estado sólido para triagem de materiais e avaliação de desempenho. Nano‑Micro Letters, 17, 287. Publicado 6 de junho de 2025. https://doi.org/10.1007/s40820-025-01797-y
20. Kuang, J. (2023). Gnome da DeepMind está impulsionando a IA na ciência dos materiais. Time Magazine. Publicado 6 de junho de 2023. https://time.com/6340681/deepmind-gnome-ai-materials/
21. Microsoft. (2024). Como IA e HPC estão acelerando a descoberta científica. Microsoft Source – Innovation Features. Publicado 29 de outubro de 2024. https://news.microsoft.com/source/features/innovation/how-ai-and-hpc-are-speeding-up-scientific-discovery/
^{22. Ma, Y., Wan, J., Xu, X., … (2023). Descoberta experimental de um eletrólito sólido de lítio tioborato rápido e estável, Li6+2x[B10S18]Sx (x ≈ 1). ACS Energy Letters, 8(6), 2762–2771. https://doi.org/10.1021/acsenergylett.3c00560}
23. Stanford University. (2016). Sem baterias que pegam fogo: cientistas de Stanford recorrem à IA para criar baterias de íon‑lítio mais seguras. Stanford News. Publicado 12 de dezembro de 2016. https://news.stanford.edu/stories/2016/12/no-burning-batteries-stanford-scientists-turn-ai-create-safer-lithium-ion-batteries