p Daniel Packwood, Professor Associado Júnior no Instituto de Ciências Integradas de Material Celular da Universidade de Kyoto (iCeMS), está melhorando os métodos de construção de minúsculos "nanomateriais" usando uma abordagem "de baixo para cima" chamada "automontagem molecular". Usando este método, as moléculas são escolhidas de acordo com sua capacidade de interagir espontaneamente e se combinar para formar formas com funções específicas. No futuro, este método pode ser usado para produzir fios minúsculos com diâmetros 1/100, 000º de um pedaço de cabelo, ou minúsculos circuitos elétricos que podem caber na ponta de uma agulha. p A automontagem molecular é um processo espontâneo que não pode ser controlado diretamente por equipamentos de laboratório, portanto, deve ser controlado indiretamente. Isso é feito escolhendo cuidadosamente a direção das interações intermoleculares, conhecido como "controle químico", e escolher cuidadosamente a temperatura em que essas interações acontecem, conhecido como "controle entrópico".

p Os pesquisadores sabem que quando o controle entrópico é muito fraco, por exemplo, as moléculas estão sob controle químico e se agrupam na direção dos locais livres disponíveis para a interação molécula a molécula. Por outro lado, auto-montagem não ocorre quando o controle entrópico é muito mais forte do que o controle químico, e as moléculas permanecem dispersas aleatoriamente.

p Até agora, não foi possível para os pesquisadores adivinhar que tipos de estruturas resultarão da automontagem molecular quando o controle entrópico não é fraco nem forte em comparação com o controle químico.

p Packwood se juntou a colegas no Japão e nos EUA para desenvolver um método computacional que lhes permite simular a automontagem molecular em superfícies de metal enquanto separa os efeitos dos controles químicos e entrópicos.

p Este novo método computacional faz uso da inteligência artificial para simular como as moléculas se comportam quando colocadas em uma superfície metálica. Especificamente, uma técnica de "aprendizado de máquina" é usada para analisar um banco de dados de interações intermoleculares. Esta técnica de aprendizado de máquina cria um modelo que codifica as informações contidas no banco de dados, e, por sua vez, este modelo pode prever o resultado do processo de automontagem molecular com alta precisão.

p A equipe usou este método para estudar a automontagem de três moléculas de hidrocarbonetos diferentes, cujas estruturas variam na intensidade da direção de suas interações intermoleculares. Em outras palavras, eles variavam a força do controle químico mudando a molécula em estudo.

p Enquanto um controle químico mais forte fazia com que as moléculas se reunissem em estruturas em forma de cadeia, os efeitos de controles entrópicos mais fortes foram considerados mais contra-intuitivos. Por exemplo, eles descobriram que o fortalecimento do controle entrópico pode transformar grandes, estruturas desordenadas em várias pequenas, ordenado, estruturas em forma de cadeia. Eles também mostraram que a formação de estruturas desordenadas resulta de um controle químico fraco, em vez de um controle entrópico forte.

p Essas previsões, que foram verificados por comparações com imagens microscópicas de alta resolução de moléculas reais em superfícies de metal, pode levar ao controle, fabricação em grande escala de minúsculos fios elétricos e outros nanomateriais para dispositivos futuros. Dispositivos feitos de nanomateriais seriam significativamente menores e mais baratos do que os eletrônicos existentes, e teria uma vida útil da bateria muito longa devido ao baixo consumo de energia.

p "Com o desenvolvimento contínuo de nosso código e teoria, esperamos obter regras cada vez mais detalhadas para controlar a automontagem molecular e auxiliar no processo de fabricação de nanomateriais de baixo para cima, "concluem os pesquisadores em seu estudo publicado na revista Nature Communications .