Hongliang Xin, professor associado de engenharia química na Faculdade de Engenharia, e seus colaboradores desenvolveram uma nova estrutura de inteligência artificial que pode acelerar a descoberta de materiais para tecnologias importantes, como células de combustível e dispositivos de captura de carbono.
Intitulado “Infundindo teoria em Deep Learning para previsão de reatividade interpretável”, seu artigo na revista Nature Communications detalha uma nova abordagem chamada TinNet – abreviação de rede neural infundida de teoria – que combina algoritmos de aprendizado de máquina e teorias para identificar novos catalisadores. Catalisadores são materiais que desencadeiam ou aceleram reações químicas.
O TinNet é baseado no Deep Learning, também conhecido como um subcampo do aprendizado de máquina, que usa algoritmos para imitar o funcionamento do cérebro humano. A vitória em 1996 do computador Deep Blue da IBM sobre o campeão mundial de xadrez Garry Kasparov foi um dos primeiros avanços no aprendizado de máquina. Mais recentemente, o Deep Learning desempenhou um papel importante no desenvolvimento de tecnologias, como carros autônomos.
Xin e seus colegas querem colocar o aprendizado de máquina em uso no campo da catálise para desenvolver novas e melhores tecnologias e produtos de energia para melhorar a vida diária.
“Cerca de 90 por cento dos produtos que você vê hoje vêm, na verdade, da catálise”, disse Xin. O truque é encontrar catalisadores eficientes e robustos para cada aplicação, e encontrar novos pode ser difícil.
“Entender como os catalisadores interagem com diferentes intermediários e como controlar suas forças de ligação na Zona Goldilocks é absolutamente a chave para projetar processos catalíticos eficientes”, disse Xin. “E nosso estudo fornece uma ferramenta exatamente para isso.”
Algoritmos de aprendizado de máquina podem ser úteis porque identificam padrões complexos em grandes conjuntos de dados, algo em que os humanos não são muito bons, disse Xin. Mas o Deep Learning tem limitações, especialmente quando se trata de prever interações químicas altamente complexas – uma parte necessária para encontrar materiais para uma função desejada. Nessas aplicações, às vezes o Deep Learning falha e pode não estar claro o porquê.
“A maioria dos modelos de aprendizado de máquina desenvolvidos para previsão ou classificação de propriedades de materiais são frequentemente considerados ‘caixas pretas’ e fornecem percepções físicas limitadas”, disse o estudante de graduação em engenharia química e co-autor do artigo Hemanth Pillai.
“A abordagem da TinNet estende suas capacidades de previsão e interpretação, ambas cruciais no projeto de catalisador.” disse Siwen Wang, também estudante de graduação em engenharia química e co-autor do estudo.
Uma abordagem híbrida, o TinNet combina teorias avançadas de catálise com inteligência artificial para ajudar os pesquisadores a perscrutar essa “caixa preta” do material design para entender o que está acontecendo e por quê, e pode ajudar os pesquisadores a abrir novos caminhos em vários campos.
“Esperamos que possamos tornar esta abordagem geralmente acessível à comunidade e outros possam usar a técnica e realmente desenvolver ainda mais a técnica para tecnologias de energia renovável e descarbonização que são cruciais para a sociedade”, disse Xin. “Acho que essa é realmente a tecnologia-chave que pode fazer algumas inovações.”
Luke Achenie, professor de engenharia química com especialização em aprendizado de máquina, colaborou com Xin no projeto, bem como com o estudante de graduação Shih-Han Wang, que ajudou a escrever o artigo. Agora a equipe está trabalhando para aplicar o TinNet ao trabalho de catálise. Andy Athawale, um estudante de graduação em engenharia química, juntou-se ao esforço.
“Eu realmente amo ver os diferentes aspectos da engenharia química fora do curso”, disse Athawale. “Ele tem muitos aplicativos e, você sabe, pode ser realmente revolucionário. Portanto, é incrível fazer parte dele.”
Publicado em 03/12/2021 08h29
Artigo original:
Estudo original: