Energia
IA impulsiona a busca por materiais de refrigeração sustentável de próxima geração
Adicione Securities.io às suas fontes preferidas no Google
No mundo dos materiais, a nanofotônica térmica é fundamental para possibilitar avanços fundamentais em diversas aplicações tecnológicas.
A nanofotônica térmica combina nanofotônica e ciência térmica para manipular e controlar a transferência de calor em escala nanométrica. Ela utiliza nan Estruturas e materiais para ajustar a radiação térmica e o fluxo de calor, resultando em avanços em várias aplicações, incluindo captação de energia, gerenciamento térmico e sensoriamento.
A nanofotônica trata do comportamento da luz na escala nanométrica. Os materiais nanofotônicos, por sua vez, oferecem controle espectral e direcional sobre a emissão térmica.
O método tradicional de encontrar tais materiais é dificultado por abordagens de tentativa e erro, mas o advento do aprendizado de máquina (ML) e da inteligência artificial (IA) revolucionou o campo da ciência dos materiais ao acelerar significativamente os processos de descoberta, design e otimização de materiais.
Embora a tecnologia tenha demonstrado habilidades poderosas no design de nanofotônicos e metamateriais, é um desafio desenvolver uma metodologia de design geral para personalizar emissores nanofotônicos de alto desempenho com controle ultralargura de banda e seletividade de banda precisa.
Isso se deve a restrições impostas por algoritmos tradicionais, armadilhas de otimização local e geometrias e materiais predefinidos.
No entanto, isso está sendo abordado agora por cientistas da Universidade do Texas em Austin, que colaboraram com pesquisadores da Universidade de Umeå na Suécia, da Universidade Nacional de Cingapura e da Universidade de Xangai Jiao Tong.
Juntos, eles desenharam uma técnica de ML1 para projetar meta-emissores térmicos 3D complexos.
Meta-emissores são materiais engenheirados projetados para controlar e manipular radiação eletromagnética, oferecendo aplicações em eficiência energética e gerenciamento térmico.
“Nosso framework de aprendizado de máquina representa um salto significativo no design de meta-emissores térmicos. 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, professor da Escola de Engenharia Cockrell, Departamento de Engenharia Mecânica Walker
Materiais impulsionados por IA para Design Urbano Resiliente ao Clima
Publicado na Nature, o estudo detalha o novo framework baseado em ML que ajudou a projetar materiais capazes de reduzir as temperaturas internas e, consequentemente, os custos de energia.
Usando seu framework, os cientistas conseguiram gerar mais de 1.500 novos materiais que podem emitir calor de forma seletiva e controlada. Eles também podem oferecer maior precisão no aquecimento e resfriamento para alcançar melhor eficiência energética.
Seu framework pode projetar meta-emissores térmicos ultralargura de banda e seletivos por banda ao otimizar múltiplos parâmetros com dados limitados que cobrem diversidade de materiais e complexidade estrutural 3D.
De acordo com o estudo, sua arquitetura permite duas capacidades de design. Primeiro, automatiza o design inverso de uma infinidade de possíveis metas‑estruturas, bem como combinações de materiais para ajuste espectral. Segundo, possui uma “capacidade sem precedentes” de projetar diferentes meta‑emissores 3D ao aplicar um método de modelagem em três planos que supera as limitações de estruturas tradicionais planas 2D.
No estudo, a equipe apresenta sete meta‑emissores de prova de conceito que demonstram desempenho superior em resfriamento óptico e radiativo, superando os designs avançados atuais. As sete classes de meta‑emissores são adaptadas a funções específicas.
O framework generalizável desenvolvido serve para fabricar materiais nanofotônicos 3D, que os pesquisadores observaram “facilitar a otimização global através de liberdade geométrica e dimensional expandida e um banco de dados abrangente de materiais”.
Agora, para avaliar a viabilidade de seu sistema de design, os pesquisadores produziram quatro materiais de amostra e testaram seu desempenho.
Um dos materiais meta‑emissor foi aplicado ao telhado de uma casa modelo. Para analisar sua capacidade de resfriamento, o material foi comparado com tintas comerciais brancas e cinzas padrão. O que os pesquisadores observaram após quatro horas de exposição direta ao sol ao meio‑dia foi que o material recém‑criado ficou, em média, de 5 a 20 °C mais frio que as tintas tradicionais.
| Tipo de Material | Temp. Média do Telhado (°C) | Energia Economizada Anualmente | Caso de Uso |
|---|---|---|---|
| Novo Meta‑Emissor | 5–20 °C mais frio | 15.800 kWh (est.) | Edifícios, naves espaciais, veículos, têxteis |
| Tinta Branca | Referência | N/D | Edifícios (resfriamento passivo) |
| Tinta Cinza | +5–10 °C mais quente | Nenhuma | Uso residencial comum |
Com base nisso, a equipe estima que seu material economizará aproximadamente 15.800 kilowatt‑hora (kWh) por ano em custos de resfriamento para um edifício de apartamentos em uma cidade quente como Bangkok. Um aparelho de ar‑condicionado padrão consome tipicamente cerca de 1.500 kWh anualmente.
Portanto, os materiais criados pela equipe podem ser utilizados para economias de energia residenciais e comerciais. Em cidades, eles podem ajudar a reduzir as temperaturas ao refletir a luz solar e liberar calor em comprimentos de onda direcionados. Dessa forma, o material pode potencialmente reduzir o efeito de ilha de calor urbano causado por pouca vegetação e estruturas de concreto densas.
Mas esse não é o limite de suas aplicações. O material também pode ser usado em aplicações espaciais, onde gerencia eficientemente a radiação solar incidente e o calor emitido, ajudando a regular as temperaturas de naves espaciais.
Os casos de uso de meta‑emissores térmicos vão muito além disso. Por exemplo, ao integrá‑los em tecidos e têxteis, podemos melhorar a tecnologia de resfriamento em roupas e equipamentos ao ar livre.
Automóveis são outro exemplo. Ao envolver carros com meta‑emissores térmicos e incorporá‑los em materiais internos, o calor que se acumula quando os veículos ficam ao sol também pode ser reduzido.
Apesar de suas muitas vantagens, esses materiais não conseguiram adoção em massa devido ao processo de design trabalhoso, e até mesmo opções automatizadas enfrentaram dificuldades ao lidar com sua estrutura hierárquica 3D complexa. Mas tudo isso pode finalmente mudar com o mais recente framework de IA.
“Tradicionalmente, projetar esses materiais tem sido lento e trabalhoso, dependendo de métodos de tentativa e erro. Essa abordagem frequentemente leva a designs subótimos e limita a capacidade de criar materiais com as propriedades necessárias para serem eficazes.”
– Zheng
Portanto, os pesquisadores continuarão a trabalhar em sua tecnologia, refinando-a e aplicando‑a a aspectos adicionais da nanofotônica.
“O aprendizado de máquina pode não ser a solução para tudo, mas os requisitos espectrais únicos do gerenciamento térmico o tornam particularmente adequado para projetar emissores térmicos de alto desempenho.”
– Co‑autor Kan Yao
Como a IA acelera a descoberta de novos materiais
Focada na estrutura, propriedades, processamento e desempenho dos materiais, a ciência dos materiais forma a base de tudo, desde aeroespacial, eletrônica e energia até medicina e muitos outros campos.
De fato, a descoberta e o desenvolvimento de novos materiais foram cruciais para moldar a história humana por séculos, avançando a tecnologia.
Durante décadas, dependemos da abordagem de tentativa e erro para encontrar novos materiais inorgânicos com propriedades favoráveis. Essa abordagem consome recursos de forma extrema, exigindo centenas de milhares de horas de experimentos para primeiro identificar e depois sintetizar apenas um punhado de potenciais novos materiais.
A complexidade dos materiais em seus níveis molecular e atômico é o que torna a descoberta de novos materiais um processo longo e caro. Assim, a maior disponibilidade de supercomputadores mudou a ciência dos materiais ao permitir a simulação do comportamento dos materiais.
E agora, a chegada da IA está liderando uma revolução no campo ao acelerar a abordagem computacional da ciência dos materiais. Ao fornecer as propriedades desejadas para um material, bem como restrições, os sistemas de IA generativa podem agora criar materiais totalmente novos.
Depois de tudo, os modelos avançados de hoje, treinados em conjuntos de dados massivos, quando combinados com computação de alta vazão, são capazes de triagem rápida de materiais candidatos contra parâmetros desejados, prevendo propriedades de inúmeras substâncias em muito pouco tempo.
A IA não só pode economizar tempo significativo de desenvolvimento e recursos humanos e materiais, como também pode fazê‑lo atendendo precisamente a requisitos de mercado complexos e variados.
Como Kristin Persson, professora de ciência dos materiais na Universidade da Califórnia, Berkeley, observou, estamos atualmente em um paradigma onde a ciência é impulsionada por big data e IA. Hoje, temos dados suficientes para treinar algoritmos de aprendizado de máquina, e “isso traz um nível totalmente novo de velocidade em termos de inovação”, disse ela.
Curiosamente, a IA também se beneficia da descoberta de novos materiais. A IA é faminta por dados, e o campo da ciência dos materiais carece de dados. Ao utilizar essa tecnologia, propriedades dos materiais podem ser simuladas, e os dados resultantes podem ser usados para treinar modelos de aprendizado de máquina.
Persson lidera atualmente o esforço multinstitucional e multinacional chamado Materials Project, que aproveita supercomputação e métodos avançados de simulação para calcular as propriedades de todos os materiais inorgânicos conhecidos e além. Os dados são disponibilizados gratuitamente para projetar novos materiais.
Avanços na descoberta de materiais impulsionada por IA
Pesquisadores da Engenharia da U of T apresentaram uma nova ferramenta2 recentemente que prevê como um novo material poderia ser melhor utilizado para reduzir o intervalo entre a descoberta de um material e sua implantação.
A ferramenta de IA multimodal usa dados iniciais para prever o uso potencial no mundo real de um novo material, focando em uma categoria específica de materiais porosos chamados estruturas metal‑orgânicas (MOFs).
Só no ano passado, pesquisadores desenvolveram mais de 5.000 tipos diferentes desses materiais, que possuem propriedades ajustáveis, informou o professor líder do estudo, Seyed Mohamad Moosavi, da Universidade de Toronto (ChemE). Ele acrescentou que o desafio é que um MOF criado para uma aplicação específica muitas vezes acaba tendo propriedades adequadas para uma aplicação totalmente diferente.
“Na descoberta de materiais, a pergunta típica é: ‘Qual é o melhor material para esta aplicação?’” disse Moosavi. “Nós invertimos a pergunta e perguntamos: ‘Qual é a melhor aplicação para este novo material?’ Com tantos materiais produzidos diariamente, queremos mudar o foco de ‘qual material vamos fazer a seguir’ para ‘qual avaliação devemos fazer a seguir.’”
Assim, o estudante de doutorado em ChemE, Sartaaj Khan, desenvolveu um sistema de aprendizado de máquina multimodal treinado em vários tipos de dados. A multimodalidade foi crucial aqui, pois deu ao modelo “uma visão mais completa” para fazer previsões mais precisas sem exigir pós‑síntese.
Pesquisadores do Laboratório Nacional Argonne, por sua vez, usaram um modelo de difusão de IA generativa para gerar mais de 120.000 MOFs3 candidatos em pouco mais de meia hora usando um supercomputador. A rede neural modificada reduziu o número de MOFs para 364, que se acreditava serem de alto desempenho.
Com alguns dias a mais e análise computacional adicional, a equipe encontrou 102 MOFs estáveis no conjunto de dados. 6 desses apresentaram capacidade de CO₂ classificada entre os 5 % superiores dos materiais no popular banco de dados hMOF.
Em outro exemplo, cientistas usaram IA para desenhar nanomateriais completamente novos4 que são tão leves quanto isopor, mas com a resistência do aço carbono.
Força e tenacidade tendem a ser opostas em muitos materiais, incluindo os nano‑arquitetados, que são compostos de blocos de construção ultra‑pequenos. Quando repetidos, esses blocos tornam o material forte, mas também podem causar concentrações de tensão que levam a quebras súbitas.
Para encontrar maneiras melhores de projetar nanomateriais, os pesquisadores simularam possíveis geometrias e depois as submeteram a um algoritmo que aprendeu com seus designs para prever as melhores formas de distribuir uniformemente as tensões aplicadas enquanto suportam carga pesada.
Os pesquisadores usaram uma impressora 3D para dar vida a essas formas e descobriram que elas suportam um estresse de 2,03 megapascal (MPa) por metro cúbico por quilograma, cinco vezes maior que o do titânio.
Os pesquisadores veem sua aplicação potencial como componentes ultraleves em aplicações aeroespaciais para reduzir a demanda de combustível e a alta pegada de carbono da aviação.
Segundo o autor principal Peter Serles, pesquisador de engenharia na Caltech:
“Esta é a primeira vez que o aprendizado de máquina foi aplicado para otimizar materiais nano‑arquitetados, e ficamos impressionados com as melhorias. Não apenas replicou geometrias bem‑sucedidas dos dados de treinamento; aprendeu com as mudanças que funcionaram e as que não funcionaram, permitindo prever geometrias de rede totalmente novas.”
A descoberta de materiais baseada em IA também está sendo usada extensivamente para planejamento urbano. Uma pesquisa colaborativa5 da Universidade de Pequim e da Universidade do Sul da Dinamarca desenvolveu um framework avançado que integra deep learning com sensoriamento remoto para identificar materiais de construção com precisão sem precedentes.
Além da eficiência energética, a IA pode elevar o planejamento urbano ajudando no monitoramento ambiental e conservação, desenvolvimento habitacional e de infraestrutura, e segurança pública e resposta a desastres.
Investindo na descoberta de materiais baseada em IA
Se analisarmos o potencial de investimento em IA, ele é massivo, com o mercado previsto para valer trilhões nos próximos anos. Quando se trata de empresas que lideram esse avanço tecnológico, especialmente na ciência dos materiais, dois nomes se destacam: Microsoft (MSFT ) e Google (Alphabet Inc.) (GOOG ), que lançaram seus próprios modelos para elevar a escala e a precisão da pesquisa de materiais. Contudo, para os propósitos deste artigo, focaremos na Alphabet Inc.
Alphabet Inc.
No final de 2023, o DeepMind da Google lançou uma ferramenta de IA chamada Graph Networks for Materials Exploration (Gnome) para acelerar o processo de descoberta de materiais. Na época, ela relatou6 a descoberta de 2,2 milhões de novos cristais com a ajuda da ferramenta de deep learning.
Isso, segundo o Google, equivale a “cerca de 800 anos de conhecimento e demonstra uma escala e nível de precisão sem precedentes nas previsões.” Os cristais recém‑descobertos incluíram 380 000 materiais estáveis, tornando‑os candidatos promissores para síntese experimental e capazes de alimentar tecnologias futuras.
O modelo Gnome é um modelo de rede neural gráfica (GNN), onde os dados de entrada são representados como um grafo. O Gnome foi treinado com dados do Materials Project, incluindo estruturas cristalinas e sua estabilidade, para gerar cristais candidatos inéditos e prever sua estabilidade.
O Google avaliou seu poder preditivo verificando repetidamente seu desempenho usando a Teoria do Funcional de Densidade (DFT). Para o ‘processo de treinamento’, utilizou ‘aprendizado ativo’, no qual os dados resultantes foram reinseridos no modelo, impulsionando significativamente o desempenho do Gnome.
A precisão da previsão de estabilidade do modelo, segundo o Google, saltou de 50 % para 80 %. A eficiência do modelo, por sua vez, escalou de menos de 10 % para mais de 80 %.
Além disso, cerca de 736 materiais previstos pelo Genome foram sintetizados independentemente por pesquisadores externos. O Google também colaborou com o Laboratório Nacional Lawrence Berkeley para sintetizar 41 novos materiais, validando a força preditiva da ferramenta e o poder da experimentação autônoma.
Agora, vamos analisar o desempenho do gigante com capitalização de US $ 2,2 trilhão. No momento da escrita, suas ações são negociadas em torno de US $ 182, com queda de 3,86 % no ano. Possui um EPS (TTM) de 8,97 e um P/E (TTM) de 20,29. O rendimento de dividendos pago é de 0,46 %.
GOOG Gráfico de preços
Quanto às finanças da empresa, a controladora do Google, Alphabet, reportou receita de US $ 90,2 bilhões no primeiro trimestre encerrado em 31 de março de 2025. O lucro por ação foi de US $ 2,81. Esses números, segundo o CEO Sundar Pichai, “refletem crescimento saudável e impulso em todo o negócio. Sustentando esse crescimento está nossa abordagem única de pilha completa para IA.”
Últimas notícias e desenvolvimentos das ações da Alphabet Inc. (GOOG)
Conclusão
A IA está transformando todos os aspectos de nossas vidas, inclusive a forma como projetamos materiais que moldam nosso futuro. A integração da tecnologia nas ciências dos materiais representa uma verdadeira mudança de paradigma, acelerando descobertas que antes levavam anos para se concretizar, agora ocorrendo em dias ou até horas.
Simplificando, a IA está impulsionando o futuro próximo da inovação em materiais ao utilizar conjuntos de dados massivos, computação de alta vazão e modelos generativos, permitindo que pesquisadores prevejam, projetem e otimizem novos materiais com eficiência e precisão sem precedentes.
Clique aqui para saber mais sobre as ações de energia limpa com foco ambiental.
Referências:
1. Xiao, C.; Liu, M.; Yao, K.; et al. Meta‑emissores térmicos ultralargura de banda e seletivos por banda por aprendizado de máquina. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, S. T.; Moosavi, S. M. Conectando a síntese de estruturas metal‑orgânicas a aplicações usando aprendizado de máquina multimodal. Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; et al. Um framework de IA generativa baseado em modelo de difusão molecular para o design de estruturas metal‑orgânicas para captura de carbono. Communications Chemistry 2024, 7, 21. https://doi.org/10.1038/s42004-023-01090-2
4. Serles, P.; Yeo, J.; Haché, M.; Demingos, P. G.; Kong, J.; Kiefer, P.; Dhulipala, S.; Kumral, B.; Jia, K.; Yang, S.; Feng, T.; Jia, C.; Ajayan, P. M.; Portela, C. M.; Wegener, M.; Howe, J.; Singh, C. V.; Zou, Y.; Ryu, S.; Filleter, T. Força específica ultralta por otimização Bayesiana de nanorede de carbono. Advanced Materials 2025, 37 (14), e2410651. https://doi.org/10.1002/adma.202410651
5. Sun, K.; Li, Q.; Liu, Q.; Song, J.; Dai, M.; Qian, X.; Gummidi, S. R. B.; Yu, B.; Creutzig, F.; Liu, G. Decodificando o tecido urbano: identificação de materiais de construção de alta precisão via deep learning e sensoriamento remoto. Environmental Science & Ecotechnology 2025, 24, 100538. https://doi.org/10.1016/j.ese.2025.100538
6. Merchant, A.; Batzner, S.; Schoenholz, S. S.; et al. Escalando deep learning para descoberta de materiais. Nature 2023, 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9
