No campo da ciência dos materiais, mesmo pequenas variações nos parâmetros e protocolos experimentais podem levar a alterações indesejadas nas propriedades de um material. Um desenvolvimento inovador neste campo veio com o advento da informática de materiais - um campo altamente dependente de dados, que se concentra em dados de materiais, incluindo protocolos de síntese, propriedades, mecanismos e estruturas. Beneficiou-se significativamente da inteligência artificial (IA), que permite análises de dados automatizadas em larga escala, design de materiais e experimentos que podem ajudar na descoberta de materiais úteis.
Infelizmente, o compartilhamento de dados dentro da comunidade científica geralmente resulta em perda de dados. Isso ocorre porque a maioria dos bancos de dados de materiais e trabalhos de pesquisa concentram-se principalmente nas relações estrutura-propriedade e menos em informações importantes, como protocolos experimentais essenciais.

Para resolver esses problemas, uma equipe de pesquisadores liderada pelo professor assistente Kan Hatakeyama-Sato e pelo professor Kenichi Oyaizu da Universidade Waseda, no Japão, desenvolveu uma plataforma de gerenciamento de dados de laboratório que descreve as relações entre propriedades, estruturas e processos experimentais em notebooks eletrônicos de laboratório. Neste caderno de laboratório eletrônico, eventos experimentais e parâmetros ambientais relacionados são representados como gráficos de conhecimento.

Seu estudo, que foi publicado em npj Computational Materials em 17 de agosto de 2022, baseou-se no conceito de que informações experimentais podem ser descritas sem perda como gráficos de conhecimento. A equipe incorporou um algoritmo baseado em IA que pode converter automaticamente esses gráficos de conhecimento em tabelas e carregá-los em um repositório público. Essa etapa foi incorporada para garantir que o compartilhamento de dados fosse sem perdas e para permitir que a comunidade científica obtivesse melhores insights sobre as condições experimentais.

Para demonstrar a aplicabilidade dessa plataforma, a equipe a usou para explorar a condutividade superiônica em lítio orgânico (Li ⁺ )-íon eletrólitos. Eles registraram dados brutos diários de mais de 500 experimentos – tanto os bem-sucedidos quanto os malsucedidos – no notebook eletrônico do laboratório. Em seguida, o módulo de conversão de dados transformou automaticamente os dados do gráfico de conhecimento em conjuntos de dados que podem ser aprendidos por máquina e analisou a relação entre as operações experimentais e os resultados. Esta análise revelou os parâmetros importantes necessários para alcançar uma excelente condutividade iônica à temperatura ambiente de 10 ⁻⁴ –10 ⁻³ S/cm e um Li ⁺ número de transferência tão alto quanto 0,8.

Então, quais são as aplicações em tempo real desta plataforma? Hatakeyama-Sato diz:"Esta plataforma é atualmente aplicável a baterias de estado sólido e com desempenho aprimorado poderá contribuir para o desenvolvimento de baterias mais seguras e de alta capacidade".

Este estudo não apenas fornece uma plataforma para pesquisa confiável orientada a dados, mas também garante que todas as informações, incluindo resultados experimentais e dados brutos de medição, estejam disponíveis para todos publicamente.

Discutindo suas implicações de longo prazo, Hatakeyama-Sato diz:"Ao compartilhar dados experimentais brutos entre pesquisadores de todo o mundo, novos materiais funcionais podem ser descobertos mais rapidamente. Essa abordagem também pode acelerar o desenvolvimento de dispositivos relacionados à energia, incluindo a próxima geração baterias e células solares." + Explorar mais

Novo eletrólito híbrido para baterias de íons de lítio de alto desempenho