p Quando as palavras "inteligência artificial" (IA) vêm à mente, seus primeiros pensamentos podem ser sobre computadores superinteligentes, ou robôs que realizam tarefas sem precisar da ajuda de humanos. Agora, uma equipe multi-institucional, incluindo pesquisadores do Instituto Nacional de Padrões e Tecnologia (NIST), conseguiu algo não muito distante:eles desenvolveram um algoritmo de IA chamado CAMEO que descobriu um novo material potencialmente útil sem exigir treinamento adicional dos cientistas. O sistema de IA pode ajudar a reduzir a quantidade de tempo de tentativa e erro que os cientistas passam no laboratório, ao mesmo tempo em que maximizam a produtividade e a eficiência em suas pesquisas. p A equipe de pesquisa publicou seu trabalho no CAMEO em Nature Communications .

p No campo da ciência dos materiais, cientistas procuram descobrir novos materiais que podem ser usados ​​em aplicações específicas, como um "metal leve, mas também forte para a construção de um carro, ou um que pode suportar altas tensões e temperaturas para um motor a jato, "disse o pesquisador do NIST Aaron Gilad Kusne.

p Mas encontrar esses novos materiais geralmente exige um grande número de experimentos coordenados e pesquisas teóricas demoradas. Se um pesquisador estiver interessado em como as propriedades de um material variam com diferentes temperaturas, então, o pesquisador pode precisar executar 10 experimentos em 10 temperaturas diferentes. Mas a temperatura é apenas um parâmetro. Se houver cinco parâmetros, cada um com 10 valores, então esse pesquisador deve executar o experimento 10 x 10 x 10 x 10 x 10 vezes, um total de 100, 000 experimentos. É quase impossível para um pesquisador realizar tantos experimentos devido aos anos ou décadas que podem levar, Disse Kusne.

p É aí que entra CAMEO. Abreviação de Sistema Autônomo de Circuito Fechado para Exploração e Otimização de Materiais, CAMEO pode garantir que cada experimento maximize o conhecimento e compreensão do cientista, pular experimentos que forneceriam informações redundantes. Ajudar os cientistas a alcançar seus objetivos mais rapidamente com menos experimentos também permite que os laboratórios usem seus recursos limitados com mais eficiência. Mas como CAMEO consegue fazer isso?

p O método por trás da máquina

p O aprendizado de máquina é um processo no qual programas de computador podem acessar dados e processá-los eles próprios, melhorando automaticamente por conta própria, em vez de depender de treinamento repetido. Esta é a base para CAMEO, uma IA de autoaprendizagem que usa previsão e incerteza para determinar qual experimento tentar a seguir.

p Como está implícito em seu nome, CAMEO procura um novo material útil operando em um circuito fechado:ele determina qual experimento executar em um material, faz o experimento, e coleta os dados. Ele também pode pedir mais informações, como a estrutura cristalina do material desejado, do cientista antes de executar o próximo experimento, que é informado por todos os experimentos anteriores realizados no loop.

p "A chave para nosso experimento foi que pudemos liberar CAMEO em uma biblioteca combinatória onde tínhamos feito uma grande variedade de materiais com todas as composições diferentes, "disse Ichiro Takeuchi, pesquisador de ciência e engenharia de materiais e professor da Universidade de Maryland. Em um estudo combinatório normal, cada material na matriz seria medido sequencialmente para procurar o composto com as melhores propriedades. Mesmo com uma configuração de medição rápida, isso leva muito tempo. Com CAMEO, levou apenas uma pequena fração do número normal de medições para encontrar o melhor material.

p A IA também é projetada para conter o conhecimento dos princípios-chave, incluindo o conhecimento de simulações anteriores e experimentos de laboratório, como o equipamento funciona, e conceitos físicos. Por exemplo, os pesquisadores muniram CAMEO com o conhecimento do mapeamento de fase, que descreve como o arranjo dos átomos em um material muda com a composição química e a temperatura.

p Compreender como os átomos estão dispostos em um material é importante para determinar suas propriedades, como o quão duro ou o quão eletricamente isolante ele é, e como ele é adequado para uma aplicação específica.

p "A IA não é supervisionada. Muitos tipos de IA precisam ser treinados ou supervisionados. Em vez de solicitar que aprendam as leis físicas, nós os codificamos na IA. Você não precisa de um ser humano para treinar a IA, "disse Kusne.

p Uma das melhores maneiras de descobrir a estrutura de um material é bombardeá-lo com raios-X, em uma técnica chamada difração de raios-X. Ao identificar os ângulos em que os raios X refletem, os cientistas podem determinar como os átomos estão dispostos em um material, permitindo-lhes descobrir sua estrutura cristalina. Contudo, um único experimento interno de difração de raios-X pode levar uma hora ou mais. Em uma instalação síncrotron onde uma grande máquina do tamanho de um campo de futebol acelera partículas eletricamente carregadas perto da velocidade da luz, esse processo pode levar 10 segundos porque as partículas que se movem rapidamente emitem um grande número de raios-X. Este é o método usado nos experimentos, que foram realizados no Stanford Synchrotron Radiation Lightsource (SSRL).

p O algoritmo é instalado em um computador que se conecta ao equipamento de difração de raios X por uma rede de dados. CAMEO decide qual composição de material estudar a seguir, escolhendo em qual material os raios X se concentram para investigar sua estrutura atômica. A cada nova iteração, CAMEO aprende com as medições anteriores e identifica o próximo material a estudar. Isso permite que a IA explore como a composição de um material afeta sua estrutura e identifique o melhor material para a tarefa.

p "Pense neste processo como uma tentativa de fazer o bolo perfeito, "Kusne disse." Você está misturando diferentes tipos de ingredientes, farinha, ovos, ou manteiga, usando uma variedade de receitas para fazer o melhor bolo. "Com a IA, é pesquisar através de "receitas" ou experimentos para determinar a melhor composição para o material.

p Essa abordagem é como CAMEO descobriu o material? Ge? _4? Sb? _6? Te? _ (7, ) que o grupo encurtou para GST467. CAMEO recebeu 177 materiais potenciais para investigar, cobrindo uma grande variedade de receitas composicionais. Para chegar a este material, CAMEO realizou 19 ciclos experimentais diferentes, que levou 10 horas, em comparação com as 90 horas estimadas que um cientista levaria com o conjunto completo de 177 materiais.

p O Novo Material

p O material é composto por três elementos diferentes (germânio, antimônio e telúrio, Ge-Sb-Te) e é um material de memória de mudança de fase, isso é, ele muda sua estrutura atômica de cristalina (material sólido com átomos designados, posições regulares) para amorfo (material sólido com átomos em posições aleatórias) quando rapidamente derretido pela aplicação de calor. Esse tipo de material é usado em aplicativos de memória eletrônica, como armazenamento de dados. Embora existam variações infinitas de composição possíveis no sistema de liga Ge-Sb-Te, o novo material GST467 descoberto pela CAMEO é ideal para aplicações de mudança de fase.

p Os pesquisadores queriam que CAMEO encontrasse a melhor liga Ge-Sb-Te, aquele que teve a maior diferença no "contraste óptico" entre os estados cristalino e amorfo. Em um DVD ou disco Blu-ray, por exemplo, O contraste óptico permite que um laser de varredura leia o disco, distinguindo entre regiões que têm alta ou baixa refletividade. Eles descobriram que GST467 tem o dobro do contraste óptico de? Ge? _2? Sb? _2? Te? _5, um material bem conhecido que é comumente usado para DVDs. O contraste maior permite que o novo material supere o material antigo por uma margem significativa.

p GST467 também tem aplicativos para dispositivos de comutação fotônicos, que controlam a direção da luz em um circuito. Eles também podem ser aplicados em computação neuromórfica, um campo de estudo focado no desenvolvimento de dispositivos que emulam a estrutura e função dos neurônios no cérebro, abrindo possibilidades para novos tipos de computadores, bem como outras aplicações, como a extração de dados úteis de imagens complexas.

p Aplicativos mais amplos do CAMEO

p Os pesquisadores acreditam que o CAMEO pode ser usado para muitas outras aplicações de materiais. O código do CAMEO é open source e estará disponível gratuitamente para uso por cientistas e pesquisadores. E, ao contrário de abordagens semelhantes de aprendizado de máquina, CAMEO descobriu um novo composto útil ao se concentrar na relação composição-estrutura-propriedade de materiais cristalinos. Desta maneira, o algoritmo navegou no curso da descoberta rastreando as origens estruturais das funções de um material.

p Um benefício do CAMEO é minimizar custos, desde a proposição, o planejamento e a execução de experimentos nas instalações do síncrotron requerem tempo e dinheiro. Os pesquisadores estimam uma redução de dez vezes no tempo para experimentos usando CAMEO, já que o número de experimentos realizados pode ser reduzido em um décimo. Porque o AI está executando as medições, coletar dados e realizar a análise, isso também reduz a quantidade de conhecimento de que um pesquisador precisa para executar o experimento. Tudo o que o pesquisador deve se concentrar é na execução da IA.

p Outro benefício é permitir que os cientistas trabalhem remotamente. "Isso abre uma onda de cientistas para ainda trabalhar e ser produtivos sem realmente estar no laboratório, "disse Apurva Mehta, pesquisador do SLAC National Accelerator Laboratory. Isso pode significar que, se os cientistas quisessem trabalhar em pesquisas envolvendo doenças contagiosas ou vírus, como COVID-19, eles poderiam fazer isso com segurança e remotamente enquanto contavam com a IA para conduzir os experimentos no laboratório.

p Por enquanto, os pesquisadores continuarão aprimorando a IA e tentarão tornar os algoritmos capazes de resolver problemas cada vez mais complexos. "CAMEO tem a inteligência de um cientista robô, e é feito para projetar, executar e aprender com os experimentos de maneira muito eficiente, "disse Kusne.