Uma equipe de pesquisadores do Laboratório Nacional Argonne do Departamento de Energia dos EUA (DOE) desenvolveu um novo algoritmo de aprendizado de máquina que pode determinar com rapidez e precisão a geometria de lacunas em materiais porosos. O algoritmo, chamado PGNet (Pore Geometry Network), poderia ser usado para entender melhor a estrutura dos líquidos e como eles fluem através de meios porosos, que tem aplicações em uma ampla gama de campos, como energia, ciências ambientais e fabricação farmacêutica.

"A geometria das lacunas é uma propriedade fundamental dos materiais porosos que rege a sua capacidade de armazenar e transportar fluidos", disse o cientista da Argonne, Dongxiao Zhang, co-autor do estudo. "No entanto, determinar com precisão a geometria da lacuna a partir de dados experimentais ou simulações é uma tarefa desafiadora, especialmente para materiais porosos complexos."

Os pesquisadores desenvolveram o algoritmo PGNet usando uma técnica de aprendizado de máquina chamada redes neurais convolucionais (CNNs). CNNs são um tipo de algoritmo de aprendizado profundo adequado para tarefas de análise e reconhecimento de imagens. Os pesquisadores treinaram o algoritmo PGNet em um grande conjunto de dados de imagens de materiais porosos simulados e mostraram que ele poderia determinar com precisão a geometria da lacuna desses materiais.

Os pesquisadores então usaram o algoritmo PGNet para estudar a estrutura de líquidos em materiais porosos. Eles descobriram que a geometria da lacuna dos materiais porosos tem um impacto significativo na estrutura dos líquidos confinados nos poros.

Este trabalho foi financiado pelo Escritório de Ciências Básicas de Energia do DOE. A equipe de pesquisa incluiu Dongxiao Zhang, Yuan Cheng e Yongqiang Cheng do Laboratório Nacional de Argonne; e Jialin Li e Ruiqiang Li, da Universidade de Nebraska em Omaha.

O estudo é publicado na revista Nature Communications.