Pesquisadores da Universidade de Tohoku e do Instituto de Tecnologia de Massachusetts (MIT) introduziram uma ferramenta avançada de Inteligência Artificial capaz de gerar espectros ópticos de alta qualidade com uma precisão comparável à das simulações quânticas, operando a uma velocidade um milhão de vezes mais rápida. Essa inovação tem o potencial de acelerar significativamente o desenvolvimento de materiais fotovoltaicos e quânticos.
A capacidade de entender com precisão as propriedades ópticas dos materiais é crucial para o desenvolvimento de dispositivos optoeletrônicos, como diodos emissores de luz (LEDs), células solares, fotodetectores e circuitos integrados fotônicos. Esses dispositivos desempenham um papel essencial no renascimento atual da indústria de semicondutores.
Os métodos tradicionais para calcular propriedades ópticas baseiam-se em leis físicas fundamentais e envolvem cálculos matemáticos complexos, exigindo muitos recursos computacionais. Isso dificulta o teste rápido de um grande número de materiais. Superar essa limitação poderia facilitar a descoberta de novos materiais fotovoltaicos para conversão de energia, além de aprofundar nossa compreensão da física fundamental por trás dos espectros ópticos dos materiais.
Uma equipe de pesquisa liderada por Nguyen Tuan Hung, professor assistente do Instituto Fronteiriço de Ciência Interdisciplinar (FRIS) da Universidade de Tohoku, e Mingda Li, professor associado do Departamento de Ciência e Engenharia Nuclear (NSE) do MIT, abordou esse desafio desenvolvendo um novo modelo de IA. Esse modelo é capaz de prever propriedades ópticas em uma ampla gama de frequências de luz, exigindo apenas a estrutura cristalina do material como entrada.
“Óptica é um aspecto fascinante da física da matéria condensada, regido pela relação causal conhecida como relação de Kramers-Krönig (KK)”, diz Nguyen. “Uma vez que uma propriedade óptica é conhecida, todas as outras propriedades ópticas podem ser derivadas usando a relação KK. É intrigante observar como os modelos de IA podem captar conceitos físicos por meio dessa relação.”
A obtenção de espectros ópticos com cobertura abrangente de frequência apresenta um grande desafio em configurações experimentais devido às limitações no alcance das comprimentos de onda dos lasers disponíveis. Embora as simulações ofereçam insights valiosos, também são altamente complexas, muitas vezes exigindo critérios rigorosos de convergência e grandes recursos computacionais. Essas limitações motivaram esforços contínuos na comunidade científica para desenvolver métodos mais eficientes para prever os espectros ópticos de diversos materiais. A busca por esses métodos é fundamental para avançar na compreensão das propriedades dos materiais e para facilitar o desenvolvimento de tecnologias em áreas como fotovoltaica e optoeletrônica.
“Modelos de aprendizado de máquina utilizados para previsão óptica são chamados de redes neurais gráficas (GNNs)”, aponta Ryotaro Okabe, estudante de pós-graduação em química no MIT. “As GNNs fornecem uma representação natural de moléculas e materiais ao representar átomos como nós de um gráfico e as ligações interatômicas como arestas do gráfico.”
Embora as Redes Neurais Gráficas (GNNs) tenham demonstrado potencial na previsão de propriedades dos materiais, elas carecem de universalidade, especialmente na representação precisa de estruturas cristalinas complexas. Para superar essa limitação, Nguyen e seus colegas desenvolveram uma abordagem de incorporação de ensemble universal. Esse método envolve a criação de vários modelos ou algoritmos que trabalham em conjunto para unificar e padronizar a representação dos dados, fornecendo uma estrutura mais robusta e abrangente para prever as propriedades ópticas de materiais em diferentes estruturas. Essa inovação melhora a generalização dos modelos de IA na ciência dos materiais, superando as limitações das GNNs tradicionais.
“Essa incorporação de ensemble vai além da intuição humana, mas é amplamente aplicável para melhorar a precisão das previsões sem afetar as estruturas da rede neural”, explica Abhijatmedhi Chotrattanapituk, estudante de pós-graduação em engenharia elétrica e ciência da computação no MIT.
O método de incorporação de ensemble funciona como uma camada universal que pode ser facilmente incorporada em qualquer modelo de rede neural sem a necessidade de modificações na arquitetura da rede. Segundo Mingda Li, “Isso implica que a incorporação universal pode ser integrada prontamente em qualquer arquitetura de aprendizado de máquina, potencialmente causando um impacto profundo na ciência de dados.”
Essa abordagem permite previsões altamente precisas das propriedades ópticas usando apenas a estrutura cristalina de um material, tornando-a altamente aplicável para tarefas como a triagem de materiais para células solares de alto desempenho e a identificação de materiais quânticos.
No futuro, os pesquisadores planejam expandir seu trabalho desenvolvendo novas bases de dados que abrangem diversas propriedades dos materiais, incluindo características mecânicas e magnéticas. Isso aprimoraria ainda mais a capacidade do modelo de IA de prever uma gama mais ampla de propriedades dos materiais apenas a partir das informações da estrutura cristalina, ampliando suas possíveis aplicações em diferentes campos da ciência dos materiais.
O autor principal, Nguyen, e seus colegas publicaram suas descobertas na revista Advanced Materials.
