A inteligência artificial acelera a linha do tempo para a descoberta de materiais específicos

Uma equipe multidisciplinar do Laboratório de Física Aplicada Johns Hopkins (APL) descobriu um novo supercondutor em apenas três meses usando inteligência artificial (IA). A chave para esse avanço veio da combinação de experiência em ciência de materiais e dados reais em um modelo preditivo de IA, que acelera muito o cronograma de descoberta de materiais específicos.

Os supercondutores, materiais que, quando resfriados abaixo de uma temperatura crítica, podem conduzir eletricidade sem perder energia, são utilizados em diversas tecnologias de ponta. “Uma das razões pelas quais escolhemos supercondutores é que um novo pode mudar o mundo”, explica ele. É uma declaração de Cristóvão Stiles, investigador sénior de materiais computacionais no Departamento de Investigação e Desenvolvimento Exploratório do APL.

O novo supercondutor é uma liga de zircônio-níquel com uma temperatura de transição supercondutora de cerca de 9 K. Sua descoberta, incluindo a fabricação de vários materiais, levou apenas três meses, demonstrando claramente a potencial revolucionário da descoberta direcionada habilitada por IA em ciência de materiais.

A razão pela qual a IA é particularmente adequada para esse desafio é dupla. Primeiro, o grande número de materiais possíveis faz com que a tarefa leve um tempo quase inconcebível para os humanos. Em segundo lugar, enquanto humanos e computadores raciocinam a partir do que é conhecido, os computadores podem ser treinados para amostrar sistematicamente o desconhecido. Esta segunda razão explica em grande parte por que Stiles e sua equipe escolheram os supercondutores como caso de teste: há supercondutores conhecidos o suficiente e se sabe o suficiente sobre a composição de seus materiais, de modo que composições não testadas têm alto potencial para serem novos supercondutores. Eles podem ser identificados. e dirigido com IA.

A equipe aproveitou grandes conjuntos de dados disponíveis publicamente de supercondutores e outros materiais conhecidos para treinar seus modelos. Embora úteis, esses conjuntos de dados inevitavelmente contêm viés humano, porque os cientistas tendem a procurar novos supercondutores fazendo pequenos ajustes nos existentes, em vez de dar grandes saltos que podem levar a falhas dispendiosas.