IA permite definir as condições de síntese para a geração de novos micromateriais

O desenvolvimento de novos materiais possibilita a criação de novas tecnologias, ou a melhoria de tecnologias já existentes. Um desses materiais são filmes de espessura reduzida, que são usados tanto na confecção de micro ou nanossistemas quanto para adicionar propriedades a materiais brutos na escala macro. A forma com que os elementos constituintes se combinam para formar a microestrutura desses filmes é essencial para que tenham propriedades úteis, e sua otimização permite ganhos de performance significativos. Essa microestrutura depende dos próprios materiais utilizados e das condições de síntese, as quais envolvem muitos parâmetros, como o tipo de energia utilizado, a composição e a pressão do gás e a geometria do substrato empregado. O papel de alguns desses parâmetros ainda não é completamente conhecido, o que dificulta a determinação de condições ideais de síntese. Atualmente, a seleção desses parâmetros depende da experiência dos cientistas envolvidos na fase de desenvolvimento, e sua validação ocorre empiricamente. Como é de se esperar, isso demanda tempo e resulta em muitos projetos abandonados porque resultam em materiais sem as propriedades desejadas.

Cientistas da Universidade Ruhr-Bochum, na Alemanha, recorreram à inteligência artificial para facilitar e agilizar esse processo. Usando um dataset contendo parâmetros de síntese e as propriedades dos materiais resultantes, eles investigaram dois modelos generativos, um autoencoder variacional (VAE) e uma rede adversarial generativa (GAN). O primeiro modelo proporciona um panorama geral dos dados, identificando similaridades através de redução de dimensionalidade e agrupamento, o que permite representar as informações relevantes ao processo em um espaço latente. Assim, é possível indicar quais condições de síntese estão melhor relacionadas com o resultado final presente no material sintetizado. O segundo é usado para predizer o aspecto bidimensional das microestruturas, como o que seria visualizado num microscópio, com base nos parâmetros escolhidos. A abordagem permitiu reconhecer as relações entre o processo e a microestrutura dos materiais usando um número limitado de observações estritamente experimentais. O dataset continha ao todo apenas 123 amostras representando 6 parâmetros de síntese. Assim, o modelo permitiu definir as condições de síntese necessárias para produzir o material com as propriedades desejadas, sem a necessidade de realizar nenhum experimento, e sem receber explicitamente qualquer conhecimento teórico sobre o problema.

A aplicação do trabalho, publicado em março, deve facilitar o desenvolvimento de novos materiais e tem potencial para impulsionar a inovação na indústria da tecnologia.