Pesquisadores no Japão desenvolveram um método capaz de determinar as propriedades de moléculas orgânicas utilizando inteligência artificial. Essa possibilidade de prever as características de um material pode ser extremamente vantajosa ao facilitar e acelerar o desenvolvimento de novos produtos.
O estudo foi publicado na revista acadêmica Advanced Intelligent Systems e conduzido por pesquisadores do Instituto de Ciência Industrial da Universidade de Tóquio.
Conforme explicam os autores em seu artigo, o trabalho de caracterização de materiais é conduzido com o objetivo de determinar as relações entre sua estrutura, propriedades, processamento e desempenho.
Embora algumas técnicas já sejam capazes de fornecer informações relevantes para o desenvolvimento de materiais, as relações entre suas propriedades e características espectrais permanecem ambíguas. A solução encontrada pelos pesquisadores, portanto, foi utilizar machine learning.
Machine learning permite encontrar informações escondidas
Os autores descrevem duas técnicas principais que foram utilizadas como base em seu estudo. As chamadas espectroscopia ELNES (“energy loss near-edge structure”) e XANES (“X-ray near-edge structure“) são capazes de fornecer informações sobre elétrons e, consequentemente, sobre os átomos dos materiais.
Apesar da sua alta sensibilidade e resolução que permitem estudar uma ampla variedade de materiais, esses métodos não conseguem solucionar o desafio de conectar os dados espectrais às propriedades de um material.
Assim, a tecnologia de inteligência artificial foi aplicada como parte do estudo para extrair grandes quantidades de dados complexos. Isso significa que os pesquisadores utilizaram redes neurais artificiais, que simulam a forma como o cérebro humano trabalha para continuar aprendendo como solucionar problemas.
Os pesquisadores da Universidade de Tóquio já haviam utilizado a técnica de espectroscopia em estudos anteriores. A novidade agora é que a tecnologia de machine learning permitirá encontrar informações escondidas nas simulações ELNES/XANES de 22.155 moléculas orgânicas.
O modelo inicial criado por espectroscopia conseguiu prever as chamadas propriedades intensivas. No entanto, ela não foi capaz de oferecer as propriedades extensivas, que dependem do tamanho molecular.
Agora, o novo modelo foi construído a partir da inclusão das proporções de três elementos em relação ao carbono, que está presente em todas as moléculas orgânicas. Esse parâmetro extra permitiu que as propriedades extensivas, como o peso molecular, fossem estudadas com precisão.
Potencial de redes neurais
De acordo com os pesquisadores, esse é o primeiro estudo a estabelecer uma relação entre a espectroscopia e as propriedades extensivas. O uso de inteligência artificial permitiu revelar informações antes ocultas, como as propriedades óticas, a condutividade de elétrons, a densidade e a estabilidade de um material.
Além de extrair informações estruturais, os cientistas conduziram interpretações e classificações da espectroscopia ELNES/XANES ao combinar técnicas de machine learning supervisionadas e não-supervisionadas.
Os autores ainda acreditam que seu estudo pode oferecer vantagens a uma ampla variedade de setores da indústria, já que a técnica é capaz de revelar onde, quando e como as propriedades de um material podem se manifestar.
A pesquisa ainda ressalta o potencial de redes neurais em acessar grandes quantidades de informação que não podem ser obtidas por espectroscopia. Portanto, os cientistas esperam que o artigo abra caminho para novos experimentos capazes de acelerar o desenvolvimento de materiais.
