Dentro de Laboratórios com IA: Uma Nova Era de Descoberta de Materiais

Assim como um número crescente de indústrias, a ciência dos materiais também está sendo auxiliada pela inteligência artificial (IA).

Aqui, algoritmos de aprendizado de máquina (ML) analisam vastos conjuntos de dados e identificam padrões para sugerir candidatos a materiais promissores em tempo mínimo, enquanto consomem significativamente menos recursos que os métodos de tentativa e erro.

O trabalho tradicional manual, intensivo em mão de obra que foi ampliado com o advento de sistemas computacionais, que permitem cálculos complexos, está agora sendo completamente revolucionado por processos automatizados, paralelos e iterativos impulsionados por IA, simulação e automação experimental.

A maturação da tecnologia de IA, combinada com computação de alto desempenho e tecnologias de nuvem híbrida, está ajudando a ciência dos materiais a entrar em um novo paradigma marcado pela descoberta acelerada de novos materiais, modelagem preditiva das propriedades dos materiais e experimentação autônoma. 

Essa mudança de paradigma permite que os pesquisadores transitem de abordagens de tentativa e erro para o design, reduzindo significativamente os ciclos de desenvolvimento e abrindo caminho para materiais avançados em energia, eletrônica, saúde e aplicações de sustentabilidade.

Recentemente, pesquisadores da North Carolina State University deram um passo maior ao criar um laboratório autônomo para alcançar um novo salto na automação de laboratórios e acelerar ainda mais a descoberta de materiais por cientistas.

O laboratório automatizado coleta dez vezes mais dados do que os métodos tradicionais, manuais métodos. Com esse avanço, os pesquisadores podem conduzir experimentos químicos dinâmicos em tempo real, economizando tempo e recursos enquanto possibilitando descobertas mais rápidas.

As novas descobertas de laboratório não levarão mais anos; ao contrário, estamos olhando para um futuro onde as invenções ocorrerão em dias.

Um Laboratório com IA: Aprendizado em Tempo Real para Descoberta em Tempo Real

Para superar os desafios globais em energia limpa, bem-estar humano e sustentabilidade, é crítico fazer descobertas rápidas de materiais funcionais avançados. Descoberta e síntese de novos materiais também são fundamentais para tecnologias inovadoras como baterias, chips de computador, painéis solares e muito mais.

Como resultado, muito progresso tem sido feito em plataformas de aceleração de materiais e laboratórios autônomos.

Apesar do progresso, a capacidade dessas plataformas e laboratórios de explorar espaços de parâmetros complexos é dificultada por baixa taxa de transferência de dados. Transferências de dados lentas e processamento levam a menor produtividade.

Portanto, pesquisadores da NC State University \”introduziram experimentos de fluxo dinâmico como estratégia de intensificação de dados para sínteses de materiais inorgânicos em laboratórios fluidicos autônomos, mapeando continuamente condições de reação transitórias para equivalentes em estado estacionário.\”

Publicado em Nature Chemical Engineering¹, o estudo detalha um laboratório autônomo de última geração que usa experimentos em tempo real para coletar dados constantemente, assim making a descoberta de materiais mais rápida e mais eficiente enquanto reduz custos e o impacto ambiental.

Pelo seu trabalho, o estudo recebeu apoio da National Science Foundation e do programa University of North Carolina Research Opportunities Initiative.

Agora, o que realmente significa laboratórios autônomos (SDLs) mesmo? Bem, são plataformas robóticas que combinam ML e automação com ciências químicas e de materiais para encontrar materiais mais rapidamente. Nessas plataformas experimentais modulares assistidas por ML, uma série de experimentos, que são selecionados pelo algoritmo de ML, são conduzidos iterativamente para alcançar o objetivo programado.

“Imagine se os cientistas pudessem descobrir materiais revolucionários para energia limpa, novas eletrônicas ou químicos sustentáveis em dias ao invés de anos, usando apenas uma fração dos materiais e gerando muito menos resíduos do que o status quo.”

– Coautor do artigo, Milad Abolhasani, Professor ALCOA de Engenharia Química e Biomolecular na North Carolina State University

Ele acrescentou:

“Este trabalho traz esse futuro um passo mais perto.

Representando uma abordagem transformadora para acelerar a descoberta científica, laboratórios autônomos estão ganhando popularidade nos campos de química e ciência dos materiais.. 

Laboratórios autônomos que utilizam reatores de fluxo contínuo frequentemente dependem de experimentos de fluxo em estado estacionário, onde diferentes precursores são combinados antes que ocorram reações químicas, e a mistura flui continuamente através de um microcanal. 

O produto que é gerado é então caracterizado por uma série de sensores após a reação estar completa.

“Esta abordagem estabelecida para laboratórios autônomos teve um impacto dramático na descoberta de materiais,” observou Abolhasani, ao compartilhar que isso permitiu aos cientistas “identificar candidatos a materiais promissores para aplicações específicas em poucos meses ou semanas, ao invés de anos, reduzindo tanto os custos quanto o impacto ambiental do trabalho.” Mas não foi perfeita de forma alguma, ainda havendo áreas para melhoria.

Em particular, a ociosidade do sistema quando a reação química ocorre antes que o material resultante possa ser caracterizado. O tempo de espera para laboratórios autônomos pode chegar a uma hora para cada experimento de fluxo em estado estacionário.

“Agora criamos um laboratório autônomo que utiliza experimentos de fluxo dinâmico, onde as misturas químicas são continuamente variáveis através do sistema e são monitoradas em tempo real.”

– Abolhasani 

O que isso significa é que eles estão eliminando o processo de executar amostras separadas através do sistema e testar cada delas uma de cada vez depois que atingiram um estado. 

Em vez disso, eles construíram um sistema que simplesmente não para de funcionar. As amostras se movem continuamente através do sistema. Isso ocorre porque “o sistema nunca deixa de caracterizar a amostra,” e o pesquisador pode “capturar dados sobre o que está acontecendo na amostra a cada meio segundo.”

A integração de experimentos de fluxo dinâmico dentro de laboratórios fluidicos autônomos marca uma ruptura com os experimentos tradicionais em lote. 

Em contraste com abordagens convencionais, onde pontos de dados isolados são coletados sob condições de estado estacionário, em experimentos de fluxo dinâmico, princípios microfluídicos são utilizados para rápido mapeamento das condições de reação.

Ao criar um fluxo constante de dados, expande drasticamente os dados experimentais acessíveis.

Abolhasani ilustrou que a equipe agora obtém 20 pontos de dados sobre o que o experimento produz, começando com um após 0,5 segundos de tempo de reação, depois um após 1 segundo de tempo de reação, e assim por diante, ao contrário do um ponto de dado que eles obteriam após 10 segundos de tempo de reação. Ele acrescentou:

“É como mudar de uma única captura para um filme completo da reação enquanto acontece. Em vez de esperar cada experimento terminar, nosso sistema está sempre em funcionamento, sempre aprendendo.”

Ter muito mais dados pode ter um impacto tremendo no desempenho de um laboratório com IA. Dados, afinal, são fundamentais para um algoritmo. IA tem fome de dados, e com base nos dados que recebe, o algoritmo faz previsões.

De acordo com Abolhasani:

“A parte mais importante de qualquer laboratório autônomo é o algoritmo de aprendizado de máquina que o sistema usa para prever qual experimento deve conduzir a seguir.”

Assim, a abordagem de fluxo de dados permite que o cérebro de ML do laboratório autônomo tome decisões não apenas mais rápidas, mas também mais inteligentes, “focando em materiais e processos ótimos em uma fração do tempo.”

A qualidade dos dados também determina a precisão das previsões. Então, ao ter mais dados experimentais de alta qualidade, o algoritmo pode fazer previsões mais precisas, e então ele pode resolver um problema mais rapidamente. 

“Isso tem o benefício adicional de reduzir a quantidade de químicos necessários para chegar a uma solução.”

– Abolhasani

Para demonstrar as capacidades de seu sistema, a equipe aplicou experimentos de fluxo dinâmico a pontos quânticos coloidais de CdSe. Isso foi usado como bancada de teste devido ao seu status de sistema inorgânico bem estabelecido, com não apenas ricas dependências de parâmetros, mas também potencial tecnológico significativo.

In this case, the team found their lab, which incorporated a dynamic flow system, achieved “an order-of-magnitude improvement in data acquisition efficiency.”

Produziu pelo menos 10 vezes mais dados do que outros laboratórios autônomos que utilizavam experimentos de fluxo em estado estacionário. Além disso, uma vez treinado, o laboratório autônomo foi capaz de descobrir os melhores candidatos em sua primeira tentativa.

Esta descoberta, como disse Abolhasani, “não se trata apenas de velocidade,” mas de alcançar sustentabilidade. Ao reduzir o número necessário de experimentos, o sistema reduz significativamente tanto o consumo químico quanto os resíduos, promovendo práticas de pesquisa mais sustentáveis. Abolhasani disse:

“O futuro da descoberta de materiais não se trata apenas de quão rápido podemos ir, mas também de quão responsavelmente chegamos lá. Nossa abordagem significa menos químicos, menos resíduos e soluções mais rápidas para os desafios mais difíceis da sociedade.”

O Papel Expansivo da IA na Ciência dos Materiais: Descobertas Recentes Empolgantes

A IA está transformando indústrias em todo o mundo, e isso inclui a ciência dos materiais, que é fundamental para muitas inovações tecnológicas e desafios sociais. 

Como resultado, o uso da IA na descoberta e desenvolvimento de novos materiais tem sido por muitos anos agora, mas tem certamente ganhado tração nos últimos anos à medida que a tecnologia se torna mais avançada e capaz. 

“Com desenvolvimento contínuo, esperamos que a robótica e a automação melhorem a velocidade, precisão e reprodutibilidade dos experimentos em diversos instrumentos e disciplinas, gerando os dados que os sistemas de inteligência artificial podem analisar para orientar experimentações futuras.”

– Dr. James Cahoon, coautor do artigo ‘Transforming Science Labs into Automated Factories of Discovery.^2′

Com isso, vamos dar uma olhada em alguns avanços‑chave feitos na ciência dos materiais este ano em diferentes aplicações.

Para começar, como compartilhamos recentemente, com a ajuda da IA, os cientistas foram capazes de projetar meta‑emitters térmicos 3D complexos que podem reduzir as temperaturas internas e ajudar a economizar custos de energia. O material criado usando uma técnica de ML recém‑desenhada pode encontrar aplicações em edifícios residenciais e comerciais, espaçonaves, tecidos e têxteis, automóveis e mais.

“Ao automatizar o processo e expandir o espaço de design, podemos criar materiais com desempenho superior que antes eram inimagináveis.”

– Co‑líder do estudo, Yuebing Zheng

Desenvolvendo Novos Materiais Metálicos com Resistência Superior

Há alguns meses, cientistas relataram usando IA para projetar um novo MPEA ou ligas de múltiplos elementos principais ligas, que são encontrados em componentes de aeronaves, conversores catalíticos e próteses de joelho.

O MPEA recém‑projetado possui propriedades mecânicas superiores, o que Sanket Deshmukh, professor associado de engenharia química na Virginia Tech, disse, “demonstrar como estruturas e IA explicável podem desbloquear novas possibilidades no design de materiais.”

Para interpretar a análise feita pelo modelo de IA, Deshmukh e sua equipe usaram a análise SHAP (SHapley Additive exPlanations), que permitiu que eles compreendessem como diferentes elementos e seus ambientes locais afetam as propriedades dos MPEAs, por sua vez, fornecendo mais insight e previsões precisas.

Além de acelerar a descoberta de ligas metálicas avançadas, Deshmukh acredita que integrar ML com algoritmos evolutivos e validação experimental também pode nos ajudar a criar ferramentas que “podem ser estendidas a sistemas materiais complexos como glicomateriais – materiais poliméricos contendo carboidratos.”

Desvendando os Segredos do Crescimento Dendrítico em Filmes Finos

A pesquisa³ da Tokyo University of Science (TUS) desenvolveu um modelo de IA explicável que prevê o crescimento de dendritos (padrão de ramificação semelhante a árvore) em filmes finos, o que é um grande obstáculo em sua fabricação em grande área e está restringindo sua comercialização.

Ao revelar as condições e mecanismos específicos por trás do ramificação dos dendritos, o modelo de IA está ajudando a melhorar o processo de crescimento de filmes finos. Dispositivos de filme fino são críticos em tecnologias como semicondutores.

O novo modelo de IA integrou o método de aprendizado de máquina chamado análise de componentes principais (PCA) e a técnica topológica chamada homologia persistente com análise de energia livre.

“Ao integrar topologia e energia livre, nosso método oferece uma abordagem versátil para análise de materiais. Por meio dessa integração, podemos estabelecer uma conexão hierárquica entre microestruturas em escala atômica e funcionalidades macroscópicas em uma ampla gama de materiais, abrindo caminho para avanços futuros na ciência dos materiais.”“

– Professor Masato Kotsugi do Departamento de Ciência e Tecnologia dos Materiais na TUS

Obtendo uma Melhor Compreensão de Nanopartículas

Uma equipe de cientistas de várias universidades se reuniu para desenvolver um método⁴ para melhor compreender o comportamento dinâmico de nanopartículas, que são os blocos de construção de eletrônicos, farmacêuticos e materiais industriais.

Ele combinou microscopia eletrônica com IA para visualizar as estruturas e movimentos de moléculas com uma resolução temporal sem precedentes.

Como Peter A. Crozier, professor de ciência e engenharia de materiais na Arizona State University, explicou:

“A microscopia eletrônica pode capturar imagens com alta resolução espacial, mas devido à velocidade com que a estrutura atômica das nanopartículas muda durante reações químicas, precisamos coletar dados em velocidade muito alta para entender sua funcionalidade.”

Para mitigar esse ruído, eles desenvolveram um método de IA que o remove automaticamente, “permitindo a visualização de dinâmicas‑chave em nível atômico.”

Enquanto isso, um grupo de pesquisa da Graz University of Technology está levando a construção de nanoestruturas a um novo nível usando IA.

Para isso, eles estão desenvolvendo um sistema de IA autoaprendente que posiciona autonomamente moléculas individuais rapidamente e na orientação correta usando microscópios de tunelamento de varredura, processo normalmente difícil e demorado, para permitir a construção de “estruturas moleculares altamente complexas, incluindo circuitos lógicos na faixa de nanômetros.”

O objetivo é, em última instância, construir corais quânticos, que são nanoestruturas em forma de porta que podem aprisionar elétrons, e usá‑los para construir circuitos lógicos para estudar como funcionam ao nível molecular. 

Descobrindo Materiais Fotovoltaicos Melhores

Uma alternativa sustentável às células solares convencionais de silício, as células solares de perovskita mostram grande promessa como tecnologia fotovoltaica de próxima geração para converter a luz solar em eletricidade. 

Sua eficácia pode ser ainda aumentada por meio de moléculas que conduzem cargas positivas, mas há milhões de moléculas diferentes, o que significa sintetizar e testar todas elas. No entanto, ao utilizar IA com síntese automatizada de alto rendimento, uma equipe de pesquisadores do Karlsruhe Institute of Technology (KIT) conseguiu descobrir novas moléculas orgânicas⁵ em apenas algumas semanas, com apenas 150 experimentos direcionados.

Os materiais recém‑descobertos também aumentaram a eficiência de uma célula solar de referência em cerca de dois pontos percentuais.

Para isso, os cientistas recorreram a um banco de dados com um milhão de moléculas virtuais e selecionaram aleatoriamente 13.000 delas antes de escolher 101. As escolhidas tiveram as maiores diferenças em suas propriedades, e elas foram sintetizadas com sistemas robóticos antes de usá‑las para produzir células solares.

Estabelecendo a Base para a Descoberta de Materiais Impulsionada por IA

Embora todas essas descobertas estejam sendo feitas, para que a IA realmente as realize, ela precisa de dados. Isso inclui dados sobre materiais, bem como dados de simulações em larga escala. 

Embora muitas dessas bases de dados estejam disponíveis, elas são bastante isoladas, necessitando assim de um padrão “para que os usuários possam comunicar‑se com todas essas bibliotecas de dados e entender as informações que recebem,”“ observou Gian‑Marco Rignanese, professor do Institute of Condensed Matter and Nanosciences na UCLouvain, Bélgica.

Então, no verão passado, uma grande colaboração internacional lançou uma versão estendida do padrão OPTIMADE para facilitar a descoberta de materiais impulsionada por IA.

O OPTIMADE (Open databases integration for materials design) padrão é apoiado por uma grande rede internacional de instituições e bases de dados de materiais. Com o objetivo de dar aos usuários acesso mais fácil a bases de dados de materiais líderes assim como menos conhecidas, uma nova versão dele foi introduzida que pode acelerar ainda mais a descoberta de materiais impulsionada por IA em andamento.

Investindo em IA para Descoberta de Materiais

Ao considerar investir neste setor, Alphabet Inc. (GOOGL ) owned Google é um que lançou uma ferramenta de IA chamada Gnome. Ela relatou encontrar 2,2 milhões de novos cristais com ela. Em seguida, há Microsoft (MSFT ), que introduziu MatterGen e MatterSim para criar novos materiais candidatos e validá‑los.

Mas há outro gigante de IA que lançou seu próprio modelo para elevar a escala e a precisão da pesquisa de materiais.

NVIDIA Corporation (NVDA )

Esse não é outro senão a queridinha da IA, Nvidia. No final do ano passado, a empresa introduziu NVIDIA ALCHEMI (AI Lab for Chemistry and Materials Innovation).

A plataforma visa acelerar P&D em química e ciência dos materiais através do poder da IA, e para alcançar isso, inclui APIs e microserviços de inferência acelerada. Isso permitirá a criação e implantação de gen modelos de IA para explorar o vasto universo de materiais e sugerir novos candidatos, e o desenvolvimento e uso de modelos substitutos para alcançar um equilíbrio entre o custo de computação e precisão. Também permitirá ferramentas de informática acessíveis e modelos de base pré‑treinados para ferramentas de triagem rápida e simulação para treinar e ajustar finamente modelos de IA para novos casos de uso.

Por meio do ALCHEMI, a NVIDIA pretende acelerar o fluxo de trabalho de descoberta e “introduzir uma nova era de descobertas revolucionárias impulsionando um futuro mais sustentável e saudável.”

Nvidia é uma empresa com capitalização de mercado de US$ 4,22 trilhões, cujas ações estão sendo negociadas em torno de US$ 173,5, alta de 28,8% no ano. Seu EPS (TTM) é 3,10, o P/E (TTM) é 55,73, e o rendimento de dividendos oferecido é 0,02%.

Últimas Notícias e Desenvolvimentos das Ações da NVIDIA Corporation (NVDA)

Conclusão

À medida que IA, automação e computação de alto desempenho se unem, a ciência dos materiais está entrando em sua era mais transformadora, marcando uma mudança muito necessária do tentativa e erro liderado por humanos para a descoberta autônoma.

No contexto, laboratórios com IA e plataformas experimentais autônomas estão mudando completamente a forma como os cientistas não apenas descobrem, mas também testam e otimizam materiais. Além disso, com iniciativas como ALCHEMI da NVIDIA, Gnome da Google e MatterGen da Microsoft, as grandes empresas de tecnologia também estão apostando na IA para impulsionar a próxima onda de inovação!

Clique aqui para aprender tudo sobre investir em inteligência artificial.

Referências:

1. Delgado‑Licona, F.; Alsaiari, A.; Dickerson, H.; Klem, P.; Ghorai, A.; Canty, R. B.; Bennett, J. A.; Jha, P.; Mukhin, N.; Li, J.; López‑Guajardo, E. A.; Sadeghi, S.; Bateni, F.; Abolhasani, M. Intensificação de Dados Dirigida por Fluxo para Acelerar a Descoberta Autônoma de Materiais Inorgânicos. Nature Chemical Engineering, publicado online 14 de julho de 2025. https://doi.org/10.1038/s44286-025-00249-z
2. Angelopoulos, A.; Cahoon, J. F.; Alterovitz, R. Transformando Laboratórios de Ciência em Fábricas Automatizadas de Descoberta. Sci. Robot. 2024, 9(95), eadm6991. https://doi.org/10.1126/scirobotics.adm6991
3. Tone, M.; Sato, S.; Kunii, S.; Obayashi, I.; Hiraoka, Y.; Ogawa, Y.; Fukidome, H.; Foggiatto, A. L.; Mitsumata, C.; Nagaoka, R.; Varadwaj, A.; Varadwaj, P. R.; Matsuda, I.; Kotsugi, M.; et al. Ligando Estrutura e Processo no Crescimento Dendrítico Usando Homologia Persistente com Análise de Energia. Sci. Technol. Adv. Mater. Methods 2025, 5 (1), Article 2475735. https://doi.org/10.1080/27660400.2025.2475735
4. Crozier, P. A.; Leibovich, M.; Haluai, P.; Tan, M.; Thomas, A. M.; Vincent, J.; Mohan, S.; Morales, A. M.; Kulkarni, S. A.; Matteson, D. S.; Wang, Y.; Fernandez‑Granda, C. Visualizando Dinâmicas de Superfície de Nanopartículas e Instabilidades Habilitadas por Denoising Profundo. Science 2025, 387 (6737), 949–954. https://doi.org/10.1126/science.ads2688
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. Fluxo de Trabalho de Design Inverso Descobre Materiais de Transporte de Buraco Adaptados para Células Solares de Perovskita. Science 2024, 386(6727), 1256–1264. https://doi.org/10.1126/science.ads0901