Muitas das tecnologias mais disruptivas apresentadas nos últimos anos se devem em grande parte ao amadurecimento da área de engenharia de materiais. A combinação de elementos orgânicos e inorgânicos de maneiras inéditas pode resultar em materiais com propriedades inovadoras, possibilitando aplicações até então impossíveis. É o caso, por exemplo, das perovskitas, que são óxidos de cálcio e titânio com potencial para substituir o silício em painéis solares, e de uma série de materiais híbridos que estão sendo estudados na medicina para uso na engenharia de tecidos e na entrega eficiente de drogas.
A otimização das propriedades funcionais desses materiais depende do conhecimento detalhado de suas estruturas atômicas, sobretudo na interface representada pelo ponto de contato do material com uma superfície. Com este objetivo, os métodos mais sofisticados em uso hoje aplicam algum conceito de microscopia para produzir representações virtuais dessas estruturas. Apesar de terem resolução elevada, a interpretação dessas imagens pode ser difícil para moléculas muito grandes. Nestes casos, os pesquisadores costumam recorrer a modelos computacionais, que se baseiam na chamada energia potencial de superfície para construir essas representações. Entretanto, são tantas variáveis envolvidas que o custo computacional envolvido muitas vezes se torna proibitivo.
Cientistas da Universidade de Aalto, na Finlândia, apresentaram a validação de um método baseado em inteligência artificial que resolve este problema. Eles aplicaram o chamado Bayesian Optimization Structure Search (BOSS, otimização bayesiana para busca de estrutura) para identificar as características de adsorção de uma molécula orgânica chamada de cânfora sobre uma superfície de cobre. A cânfora é um caso exemplar de molécula difícil de analisar pela microscopia tradicional, e que portanto poderia se beneficiar da nova metodologia. Com a ingestão de dados experimentais, o método de machine learning permitiu construir um modelo alternativo para as energias de adsorção do material, e assim encontrar as estruturas mais estáveis, que representam conformações passíveis de exploração prática. Ao todo, o modelo encontrou oito formas estáveis da cânfora quando aderida à superfície de cobre, e os dados permitiram interpretar melhor os resultados produzidos pela microscopia para identificar que a cânfora se liga ao cobra através de um átomo de oxigênio.
Os autores concluem que o trabalho apresenta informações inéditas acerca da adsorção de moléculas orgânicas complexas sobre superfícies metálicas, abrindo caminho para estudos mais complexos como a formação de monocamadas e interfaces híbridas, que por sua vez podem ser aplicadas em tecnologias de valor prático.
