Quando um chef de cozinha desenvolve uma nova receita de bolo, ela não tenta todas as combinações possíveis de ingredientes para ver qual funciona melhor. O chef usa o conhecimento prévio de panificação e os princípios básicos para pesquisar com mais eficiência a fórmula vencedora.
Os cientistas de materiais usam um método semelhante na busca de novos materiais com propriedades únicas em campos como energia renovável e microeletrônica. E uma nova ferramenta de inteligência artificial desenvolvida por pesquisadores da Cornell promete explorar e identificar rapidamente o que é necessário para “preparar” novos materiais.
SARA (the Scientific Autonomous Reasoning Agent – o Agente de Raciocínio Autônomo Científico) integra a síntese e caracterização de materiais robóticos, junto com uma hierarquia de inteligência artificial e métodos de aprendizagem ativos, para revelar com eficiência a estrutura de diagramas de fase de processamento complexos, tornando a descoberta de materiais muito mais rápida.
Sebastian Ament, estudante de doutorado no campo da ciência da computação, e Maximilian Amsler, ex-pesquisador de pós-doutorado e agora um cientista visitante em Cornell, são co-autores de “Síntese Autônoma Via Hierárquica de Aprendizagem Ativa de Diagramas de Fase de Nenhum Equilíbrio”, que publicou em dezembro 17 em Science Advances.
O primeiro protótipo do SARA foi desenvolvido por uma equipe multidisciplinar co-liderada por R. Bruce van Dover, Walter S. Carpenter, Jr., Professor de Engenharia; Michael Thompson, professor de Engenharia da Dwight C. Baum, ambos do Departamento de Ciência e Engenharia de Materiais (MSE); Carla Gomes, a Professora Ronald C. e Antonia V. Nielsen de Computação e Ciência da Informação na Faculdade de Computação e Ciência da Informação Cornell Ann S. Bowers; e John Gregoire, Ph.D. ’09, um professor pesquisador do Instituto de Tecnologia da Califórnia.
Para este trabalho, os pesquisadores estão se concentrando em materiais inorgânicos, especialmente aqueles que podem ficar presos em estados “metaestáveis” que, em última análise, podem se transformar em um estado de “equilíbrio” com o tempo. Por exemplo, o diamante é metaestável e acabará por se transformar em grafite se tiver tempo suficiente.
Muitos desses materiais metaestáveis têm propriedades únicas que os tornam desejáveis para muitas aplicações, mas, uma vez que não existem naturalmente, identificá-los pode ser um exercício demorado e trabalhoso. SARA, disseram os pesquisadores, pode reduzir o tempo experimental necessário para caracterizar um novo sistema de materiais em uma a duas ordens de magnitude – de dias para horas e de horas para minutos.
“Todas as coisas úteis com que trabalhamos tendem a ser metaestáveis – ferro e silício, por exemplo – todas em estruturas que não estão em equilíbrio, o que lhes confere propriedades únicas”, disse Thompson. “E, portanto, parte da pesquisa está em busca de novos materiais e novas estruturas que tenham propriedades críticas.”
SARA conduz essas buscas na velocidade da luz. Depois de analisar uma lasca de material – neste caso, as diferentes fases e características relacionadas à temperatura do óxido de bismuto, depositado em um filme fino sobre um wafer por pulverização catódica e processado por uma técnica chamada recozimento de pico de laser de gradiente lateral – SARA decide sobre o próximo experimento a ser realizado, executa-o imediatamente e, em seguida, repita o processo. Cada um desses loops é concluído em apenas alguns segundos.
Os experimentos foram realizados na Cornell High Energy Synchrotron Source (CHESS), bem como na Cornell NanoScale Science and Technology Facility.
“O computador está controlando o experimento, in situ e ao vivo”, disse Thompson. “Há um comando para processar o material sob condições particulares e, em seguida, caracterizá-lo imediatamente e tomar uma nova decisão sobre como será o próximo experimento, com base no novo conhecimento imediato que está agora disponível.”
“Então, tendo descoberto qual é o próximo experimento, ele realmente faz esse experimento”, disse van Dover. “E então continua e reinterpreta e então surge com outro experimento – tudo sem intervenção humana.”
Gregoire se referiu à SARA como um “laboratório autônomo”.
“Suponha que você esteja em uma montanha e usando navegação autônoma”, disse ele. “Você tem uma parte do programa que descobre como chegar ao topo de um pico e outra que tira fotos de toda a cordilheira para dizer” Ei, talvez eu deva caminhar neste outro pico por um tempo. ‘”
Van Dover a vê como uma hierarquia qualitativa e também quantitativa.
“Na ciência, há uma grande oportunidade de olhar para dimensões qualitativamente diferentes”, disse ele. “Eu diria que [SARA representa] ir de olhar para a topografia de cadeias de montanhas para, de repente, incorporar que tipo de árvores, insetos ou animais estão presentes. Essa é uma dimensão diferente.”
Este trabalho, disse Gomes, enquadra-se na iniciativa Radical Collaboration promovida pelo Gabinete do Reitor.
?Reunimos pesquisadores em IA, ciência da computação, ciência dos materiais?, disse Gomes, que também é diretor do Instituto de Sustentabilidade Computacional da Cornell. “A ideia é que temos IA realizando parte do processo científico.”
Publicado em 21/12/2021 11h01
Artigo original:
Estudo original: