Machine learning aprimora eficiência na produção de materiais avançados

São Paulo — InkDesign News —

Um novo avanço em machine learning promete revolucionar a fabricação de materiais avançados. Pesquisadores do Laboratório Nacional Lawrence Berkeley estão utilizando um sistema automatizado chamado AutoBot para otimizar a síntese de materiais, demonstrando a eficácia da inteligência artificial no campo da pesquisa científica.

Contexto da pesquisa

A equipe de pesquisa concentrou-se na classe emergente de materiais conhecida como perovskitas de haleto metálico, que tem grande potencial em aplicações de diodos emissores de luz (LEDs), lasers e fotodetectores. Este tipo de material é extremamente sensível à umidade, tornando difícil sua fabricação em larga escala sem o controle rigoroso das condições atmosféricas. A abordagem tradicional, que depende de tentativas e erros, pode levar até um ano para identificar as melhores combinações de parâmetros de síntese. O AutoBot, por sua vez, explorou rapidamente diversas combinações, analisando apenas 1% de um total de 5.000 possibilidades.

Método proposto

O AutoBot, desenvolvido por uma equipe multidisciplinar que incluiu instituições como a Universidade de Washington e a Universidade da Califórnia, utiliza algoritmos de machine learning para controlar robôs que sintetizam e caracterizam materiais. O sistema opera com um loop de aprendizado iterativo, onde os parâmetros de síntese — incluindo temperatura, tempo e umidade — são ajustados com base na análise dos resultados anteriores. A caracterização dos materiais é realizada por três técnicas: espectroscopia UV-Vis, espectroscopia de fotoluminescência e imagens de fotoluminescência, que são integradas em uma métrica única de qualidade do material.

“AutoBot representa uma mudança de paradigma para a exploração e otimização de materiais. Esta abordagem rápida de aprendizado é um passo significativo para estabelecer laboratórios de otimização autônoma.”
(“AutoBot represents a paradigm shift for material exploration and optimization.”)

— Carolin Sutter-Fella, Cientista, Berkeley Lab

Resultados e impacto

Os resultados mostraram que filmes de alta qualidade podem ser sintetizados em níveis de umidade relativa entre 5% e 25%, o que elimina a necessidade de controles ambientais rigorosos. A equipe identificou que níveis acima de 25% desestabilizam o material durante o processo de deposição, resultando em baixa qualidade. O AutoBot demonstrou um desempenho impressionante, reduzindo drasticamente a taxa de aprendizado dos algoritmos, que pararam de prever melhorias após menos de 1% das amostras serem testadas. Isso indica uma alta eficácia na predição da qualidade do material em relação a configurações variadas de parâmetros.

Os próximos passos envolvem ampliar essa tecnologia para a produção em larga escala de materiais, com impactos potenciais em diversas áreas, incluindo eletrônica, energia e dispositivos ópticos.

Fonte: (TechXplore – Machine Learning & AI)