De acordo com uma nova pesquisa, machine learning pode ajudar a elaborar novos tipos de metais com propriedades úteis, como resistência a temperaturas extremas e ferrugem. Isto pode ser algo proveitoso para diversos setores. Por exemplo, metais com um bom desempenho em temperaturas mais baixas podem melhorar espaçonaves, enquanto metais resistentes à corrosão podem ser usados para barcos e submarinos.
Atualmente, os cientistas realizam experimentos em laboratório buscando por maneiras de combinar metais para criar novos. Eles normalmente começam com um elemento bem conhecido, como o ferro, que é barato e maleável, e adicionam um ou dois outros para observar o efeito causado no material original. É um processo trabalhoso de tentativa e erro que invariavelmente produz mais insucessos do que resultados frutíferos.
Publicado na revista acadêmica Science no início de outubro, o artigo sugere que, com o uso da Inteligência Artificial (IA), os pesquisadores podem prever com muito mais precisão quais combinações de metais serão promissoras.
Pesquisadores do Instituto Max Planck (Alemanha) conseguiram identificar 17 novos metais promissores usando este método. A equipe estava em busca de metais com baixo nível de “Invar”, ou seja, o quanto os materiais se expandem ou contraem quando expostos a temperaturas altas ou baixas, respectivamente.
Os metais com baixa taxa Invar não mudam de tamanho sob temperaturas extremas. Eles são comumente usados em indústrias onde essa propriedade pode ser útil, como no transporte e armazenamento de gás natural, explica Ziyuan Rao, pesquisador de ciência de materiais do Instituto Max Planck e coautor do artigo.
A equipe conseguiu encontrar estes novos metais por meio de uma combinação de IA com experimentos de laboratório. Primeiro, eles tiveram que superar um desafio relevante: a falta de informação existente para treinar os modelos de machine learning. Centenas de dados referenciais descrevendo as propriedades das ligas metálicas existentes foram utilizados para o treinamento dos modelos. O sistema usou dessa informação para prever novos metais que exibiriam baixa taxa Invar.
Os pesquisadores então criaram estes metais em um laboratório, avaliaram os resultados e jogaram esses dados de volta no modelo de machine learning. O processo continuou desta forma cíclica: o modelo sugerindo combinações de metais, os pesquisadores testando-os e alimentando o sistema com os resultados, até os 17 novos metais promissores surgirem.
Estas descobertas podem ajudar a abrir caminho para um uso maior de machine learning no setor de ciência dos materiais, um campo que ainda depende muito da experimentação em laboratório. Além disso, esta técnica mesclando previsões de machine learning com verificações posteriores em laboratório pode ser adaptada para descobertas em outras áreas, como na química e na física, dizem especialistas em ciência dos materiais.
Para entendermos por que esta é uma evolução considerável, vale a pena observarmos a maneira tradicional com a qual novos compostos geralmente são criados, diz Michael Titus, professor assistente de engenharia de materiais da Purdue University (EUA), que não teve participação no projeto. O processo de experimentação e ajustes somente em laboratório é meticuloso e ineficiente.
“Encontrar materiais que demonstram uma propriedade especial é realmente como achar uma agulha no palheiro”, diz Titus. Ele costuma dizer a seus novos alunos de pós-graduação que existem facilmente um milhão de possíveis novos materiais apenas esperando para serem descobertos. Machine learning pode ajudar os pesquisadores a decidir quais caminhos seguir.
Easo George, professor de ciência e engenharia de materiais da Universidade do Tennessee (EUA), que não participou desta pesquisa, ficou surpreso com o que a equipe conseguiu realizar usando a nova técnica. “É algo realmente impressionante”, diz ele.
No futuro, a equipe quer usar machine learning para ajudar a descobrir novas ligas de metais que possuam mais do que apenas uma propriedade desejada. George concorda que os métodos computacionais serão essenciais para o futuro da ciência dos materiais.
“A abordagem utilizando machine learning provavelmente será a mais dominante, visto que os pesquisadores tentam realizar experimentos de imensa escala, mas isto consome muito tempo e é caro”, diz ele. “A questão é: você está encontrando algo útil?”
MIT Technology Review
