São Paulo — InkDesign News — Pesquisadores da Tohoku University desenvolveram um modelo baseado em machine learning e inteligência artificial para acelerar a descoberta de eletrólitos sólidos ideais para baterias de estado sólido, potencializando a busca por soluções energéticas sustentáveis.
Contexto da pesquisa
A demanda por fontes de energia sustentáveis tem impulsionado avanços em baterias de estado sólido, que prometem maior segurança e eficiência. Contudo, a abordagem tradicional de experimentação em materiais é lenta, limitada pelo processo de tentativa e erro na caracterização e síntese dos eletrólitos sólidos. Nesse cenário, o uso de AI e machine learning surge como alternativa para otimizar a seleção e predição de candidatos promissores de forma rápida e precisa.
Método proposto
O grupo da Tohoku University implementou uma framework de AI integrada que combina grandes modelos de linguagem (LLMs), MetaD (metadinâmica ab initio), regressão linear múltipla, algoritmos genéticos e análise comparativa entre teoria e experimentos. A abordagem híbrida utiliza dados experimentais e computacionais para prever a energia de ativação, estabilidade de estruturas cristalinas e mecanismos de migração iônica em eletrólitos sólidos à base de hidreto. O modelo foi validado contra dados experimentais disponíveis no Dynamic Database of Solid-State Electrolyte (DDSE), maior base de dados do tipo.
“O modelo faz todo o trabalho repetitivo de tentativa e erro por nós, buscando nas bases de dados anteriores a melhor opção de eletrólito sólido.”
(“The model essentially does all of the trial-and-error busywork for us, it draws from a large database of previous studies to search through all the potential options and find the best SSE candidate.”)— Hao Li, Professor, Advanced Institute for Materials Research, Tohoku University
Resultados e impacto
O estudo revelou um mecanismo inovador de migração iônica em dois passos, identificou padrões estruturais que influenciam o desempenho e construiu modelos preditivos com alta precisão para avaliação rápida desses materiais. A técnica MetaD apresentou grande concordância com dados experimentais complexos, fortalecendo sua aplicabilidade. Além disso, o framework possibilita prever estruturas candidatas sem necessidade de experimentações preliminares, acelerando significativamente o ciclo de pesquisa e desenvolvimento.
O avanço permite expandir a exploração para outros tipos de eletrólitos, enquanto o uso futuro de ferramentas generativas AI pode aprofundar a compreensão dos processos migratórios e reacionais nos materiais.
Fonte: (TechXplore – Machine Learning & AI)
