Machine learning otimiza eletrólitos para baterias next-generation
São Paulo — InkDesign News —
Pesquisadores da University of Chicago Pritzker School of Molecular Engineering (UChicago PME) desenvolveram uma nova abordagem de machine learning para acelerar a descoberta de eletrólitos para baterias de próxima geração. O método foca em otimizar múltiplas propriedades simultaneamente, superando limitações dos processos tradicionais por tentativa e erro.
Contexto da pesquisa
Descobrir eletrólitos que combinem alta condutividade iônica, estabilidade oxidativa e eficiência coulômbica é um desafio central para o avanço de baterias usadas em veículos elétricos, dispositivos móveis e armazenamento em larga escala. Tradicionalmente, propriedades desejáveis entram em conflito, atrasando o desenvolvimento de soluções eficazes. Para lidar com essa complexidade, o grupo liderado pelo professor Chibueze Amanchukwu apostou em inteligência artificial (IA) para triagem de moléculas promissoras, utilizando um banco de dados compilado manualmente com dados extraídos de 250 artigos científicos publicados nas últimas cinco décadas.
Método proposto
O modelo de machine learning desenvolvido calcula uma métrica chamada “eScore” que avalia conjuntamente condutividade iônica, estabilidade oxidativa e eficiência coulômbica de moléculas candidatas a eletrólitos. Para o treinamento, a equipe extraiu milhares de dados experimentais presentes majoritariamente em imagens nos artigos, um desafio que exigiu entrada manual devido às limitações dos modelos atuais para lidar com dados gráficos. O método avalia moléculas nunca antes vistas e busca identificar aquelas que otimizam o balanço das propriedades, usando técnicas de aprendizado supervisionado para regressão em espaços químicos complexos.
“Os eletrodos precisam satisfazer propriedades muito diferentes ao mesmo tempo. Elas frequentemente entram em conflito.”
(“The electrodes have to satisfy very different properties at the same time. They always conflict with each other.”)— Ritesh Kumar, Eric and Wendy Schimdt AI in Science Postdoctoral Fellow, UChicago PME
Resultados e impacto
O sistema de IA demonstrou alta acurácia em predizer as propriedades de eletrólitos quimicamente semelhantes aos dados de treinamento. Foi identificada uma molécula campeã que apresenta desempenho comparável a eletrólitos líderes de mercado, representando avanço relevante para o setor. Contudo, objetos químicos quimicamente distantes do banco de dados exigem melhorias no modelo para garantir precisão preditiva robusta. Segundo a equipe, a abordagem tem potencial para acelerar significativamente o desenvolvimento científico e reduzir o tempo gasto em experimentos improdutivos.
“Modelos baseados em dados são essenciais para acelerar o desenvolvimento de novos materiais para baterias e aproveitar avanços em IA e automação laboratorial.”
(“These types of data-driven research frameworks are critical to help accelerate the development of new battery materials and to leverage advancements in AI-enabled science and laboratory automation.”)— Jeffrey Lopez, Assistant Professor of Chemical and Biological Engineering, Northwestern University
O próximo passo será expandir a capacidade do modelo para gerar moléculas inéditas otimizadas — uma espécie de “IA que compõe a música”, conforme a analogia dos pesquisadores, criando soluções moleculares personalizadas para demandas específicas.
Fonte: (TechXplore – Machine Learning & AI)
