Por: Katia Moskvitch, líder editorial de pesquisa da IBM
Um átomo aqui, um átomo ali …
Quanto mais átomos, mais complexa se torna uma molécula: uma quase infinidade de configurações moleculares possíveis. Isso, por sua vez, significa um processo longo, caro e tedioso de tentativa e erro para descoberta de materiais, onde o sucesso não é garantido.
Mas não precisa ser assim.
Graças ao enorme impulso que a inteligência artificial está dando ao design molecular tradicional e à computação quântica que agora está pronta para intervir, estamos entrando na era da descoberta acelerada. É a era da descoberta rápida de novos materiais avançados, vitais para a fabricação de produtos sustentáveis que podem nos ajudar a enfrentar uma série de desafios globais, desde mudanças climáticas até redução de resíduos e segurança alimentar e energética.
Ainda estamos no início, mas os pesquisadores da IBM já estão aplicando essa nova abordagem baseada em IA para projetar materiais mais sustentáveis. Uma equipe criou recentemente novas moléculas chamadas geradores de fotoácidos (PAGs). Com mais melhorias, eles poderiam ajudar a produzir dispositivos de computação mais ecológicos.
Os PAGs existem desde a década de 1980 e desempenham um papel vital na fabricação de chips de computador. Em um processo chamado litografia, a luz ultravioleta gera um padrão tridimensional em uma camada de um material fotossensível – um fotorresiste. Os fótons de luz quebram o PAG dentro do fotorresiste para produzir moléculas de ácido muito fortes. Essas moléculas catalisam as reações químicas que criam o padrão, que define as estruturas físicas de um chip de computador, como portas de transistores ou fios de interconexão.
Muito lento, caro e arriscado
Melhorias em fotoresistores e litografia desempenharam um papel importante nas últimas duas décadas de desenvolvimento de chips. Eles nos permitiram embalar mais e mais transistores em chips cada vez menores, levando a dispositivos cada vez mais finos e mais poderosos.
Mas há um problema.
Os PAGs são uma das várias classes de compostos químicos que recentemente estão sob crescente escrutínio por reguladores ambientais globais. Os pesquisadores estão correndo para criar outros mais sustentáveis, para permitir um futuro de computação “verde” sustentável. Infelizmente, o processo tradicional de descoberta de novos materiais é muito demorado, muito caro e muito arriscado para enfrentar esse desafio de maneira prática e oportuna.
“Tradicionalmente, os pesquisadores usariam seu próprio conhecimento e as informações que encontrariam na literatura publicada para projetar um PAG, na esperança de que ele tivesse as propriedades desejadas”, diz Dan Sanders, pesquisador da IBM e especialista em materiais eletrônicos da Almaden. “Com base nesse projeto inicial, eles seguiriam muitos ciclos de síntese, caracterização e teste de candidatos até serem capazes de criar um bem-sucedido. Normalmente, demoraria meses, às vezes anos, mesmo com a ajuda de computadores, para executar simulações avançadas. “
Portanto, sua equipe optou por uma abordagem diferente, com a ajuda da IA.
O uso de IA na ciência dos materiais não é novo. Mas mesmo há apenas cinco anos, a IA era principalmente boa em prever as características de um material. Por exemplo, se um pesquisador entrou em uma estrutura molecular conhecida, o AI preveria corretamente, digamos, que sua temperatura de fusão é de 100 graus Celsius. No entanto, “os químicos industriais estavam muito mais interessados em aplicar a IA para criar rapidamente uma ampla variedade de estruturas moleculares além da criatividade humana”, disse Seiji Takeda, pesquisador da IBM em Tóquio.
“Basta pensar nisso: sabemos de materiais que têm um bilhão de configurações moleculares diferentes conhecidas, mas potencialmente podem haver pelo menos 1.060 vezes mais”, acrescenta. “E os materiais úteis são apenas uma pequena parte disso. É como encontrar um pequeno diamante perdido no Saara ”.
Vamos entrar na abordagem de descoberta acelerada impulsionada por IA – combinando tecnologias de computação avançadas para permitir que pesquisadores de todo o mundo façam descobertas moleculares por meio da nuvem. Desenvolvido recentemente na IBM Research, não se trata mais apenas de prever as propriedades de um material conhecido, mas sim de projetar rapidamente novos materiais com as propriedades desejadas.
Descoberta acelerada: indo a todo vapor
Para criar os novos PAGs, a equipe de Almaden liderada por Sanders e seu colega pesquisador Dmitry Zubarev primeiro trabalhou com especialistas em materiais fotorresistentes e saúde e segurança ambiental. Eles determinaram meticulosamente todas as propriedades de desempenho e sustentabilidade exigidas para o PAG pretendido. Feito isso, eles usaram inteligência artificial, simulação de computador de última geração e tecnologias de automação avançadas por meio da nuvem híbrida para projetar e sintetizar PAGs em potencial, muito mais rápido do que nunca.
“Assim que delineamos as propriedades que queríamos que a molécula tivesse, começamos a coletar todos os dados sobre os geradores de fotoácidos existentes … escondidos em patentes, artigos acadêmicos, pré-impressões, livros científicos e outras literaturas”, explica Sanders. Essa é uma tarefa difícil para qualquer humano. Então, os pesquisadores usaram a inteligência artificial da IBM Pesquisa profunda, desenvolvido pela equipe de Peter Staar no Laboratório de Pesquisa da IBM em Zurique, para compilar e explorar o conhecimento científico conhecido para PAGs. Incorporado 6.000 artigos e patentes para AI e criou um gráfico de conhecimento com 2,2 milhões de nós e 38 milhões de arestas de materiais conhecidos.
No entanto, eles descobriram que dados de propriedades importantes para a maioria dos compostos em que estavam interessados estavam quase completamente ausentes da literatura disponível. “Essa foi uma lacuna clara em nosso conhecimento”, diz Sanders. Para fechá-lo, os pesquisadores se voltaram para a chamada simulação inteligente, uma simulação alimentada por IA liderada pela equipe de Ed Pyzer-Knapp nos laboratórios de pesquisa da IBM no Reino Unido. A ideia era aumentar o conjunto de dados estruturais com as propriedades ópticas e ambientais necessárias para criar e treinar um modelo de IA.
E não qualquer modelo de IA, um modelo de IA “generativo” que poderia projetar a estrutura de uma nova molécula com uma propriedade química específica. “Um modelo generativo é uma tecnologia de inteligência artificial que, após ser treinada por um conjunto de dados, projeta ou gera automaticamente novos objetos com características semelhantes aos dados originais”, diz Takeda. “Por exemplo, se você treinar o modelo usando muitas imagens de gato e depois pedir à IA para gerar novas imagens de gatos que são brancos e fofos, é isso que o modelo fará. Isso vai gerar muitos gatos brancos fofinhos, cada um deles absolutamente único ”.
Não tão interessado em imagens de gatos, Takeda e sua equipe desenvolveram um modelo generativo de moléculas. Primeiro, eles o treinaram com a estrutura PAG existente e os dados de propriedade e, em seguida, pediram ao sistema para projetar novas estruturas PAG com propriedades de menor risco ambiental, mantendo alta fotossensibilidade. O AI cumpriu e “gerou cerca de 2.000 candidatos PAG potenciais em apenas cinco horas”, diz Takeda.
Isso é muito, muito para avaliar cada um deles. Portanto, os pesquisadores usaram a tecnologia Expert-in-the-Loop da IBM que integra o conhecimento de especialistas humanos para enriquecer o resultado do modelo de IA generativo e priorizar os candidatos mais promissores e acionáveis.
Com a tarefa concluída, eles se voltaram para a equipe de pesquisa da IBM em Zurique, liderada por Teodoro Laino, que estava desenvolvendo tecnologias de Laboratório Automatizado. Agora eles tinham que resolver dois desafios restantes: determinar a melhor rota sintética para fazer os PAGs e, finalmente, sintetizá-los em um sistema de reator químico robótico automatizado. A equipe de Laino adaptou sua ferramenta retrosintética baseada em inteligência artificial que rapidamente identifica a melhor maneira de produzir moléculas orgânicas e, finalmente, criou um PAG com seus sistema sistema de reator químico robótico automatizado baseado em nuvem, RoboRXN.
“Claramente, nossa abordagem de Descoberta Acelerada acelerou muito o desenvolvimento de novos PAGs”, diz Sanders. “Ainda estamos nos estágios iniciais, é claro. Mas estou confiante de que no futuro seremos capazes de usar essa abordagem para acelerar a descoberta de novos materiais que nos ajudem a enfrentar muitos desafios de sustentabilidade. “
As novas moléculas PAG não são o único sucesso inicial do método de descoberta acelerada. A equipe da Takeda também usou seu modelo gerador para projetar uma nova membrana polimérica que absorve melhor dióxido de carbono do que as membranas usadas atualmente em tecnologias de captura de carbono. Eles também projetaram um novo tipo de açúcar com uma temperatura de fusão específica, em colaboração com um cliente IBM, Nagase.
Daqui para frente, a Takeda pretende expandir as capacidades de inteligência artificial de sua equipe para uma gama mais ampla de domínios materiais, incluindo material inorgânico. Isso poderia ajudar, por exemplo, a criar baterias mais sustentáveis. Se danificadas, as baterias podem emitir gases tóxicos, e a extração de seus ingredientes principais, geralmente lítio e cobalto, pode ter consequências ambientais, como poluição e esgotamento da água.
“As possibilidades são infinitas: pode-se usar nossos modelos generativos para criar novos polímeros, novos medicamentos, novos materiais emissores de luz, ingredientes alimentares, garrafas de plástico biodegradáveis de custo ultrabaixo, células solares orgânicas flexíveis ou mesmo ‘pintáveis’, o que for tanto faz “, diz Takeda. “Mas o ponto principal é: agora mostramos que Pesquisa profunda, simulação enriquecida com inteligência artificial, modelos generativos de inteligência artificial e laboratórios autônomos podem – junto com especialistas humanos, é claro – acelerar muito o design de materiais e nos ajudar a nos aproximarmos de uma sociedade sustentável ”.
