Tecnicamente, os elementos da tabela periódica podem ser combinados das formas mais variadas, resultando em materiais que às vezes têm propriedades de valor prático. Entretanto, apenas uma fração dessas combinações possíveis de fato demonstra ter propriedades interessantes. Aliado a isso, o tempo e a dificuldade de formar estas combinações e testá-las em laboratório torna esta pesquisa pouco atraente. Como resultado, a maioria dos novos materiais que chegam ao mercado acabam sendo modificações dos materiais já conhecidos, com poucos ganhos significativos de desempenho. Algumas soluções com potencial revolucionário simplesmente não são descobertas por representarem combinações inéditas sem representantes similares já descritos.
Mas agora, uma nova ferramenta baseada em inteligência artificial pode diminuir os riscos de investigar este mar de possibilidades. Pesquisadores da Universidade de Liverpool, na Inglaterra, apresentaram um sistema que usa técnicas de machine learning não-supervisionado para propor materiais potenciais, que configuram candidatos para análise experimental. O sistema funciona examinando as relações entre os elementos que formam materiais já conhecidos, que são avaliados por uma rede neural do tipo autoencoder variacional. Esta estrutura de rede tem sido bastante utilizada para representar propriedades originalmente esparsas, em um espaço latente contínuo, a partir do qual novas soluções no espaço original podem ser descobertas por simples amostragem estatística. Assim, o modelo se torna capaz de entender e, subsequentemente, inferir as propriedades dos materiais dados seus elementos constituintes. Então, com um objetivo prático em mente, um pesquisador pode obter um ranking das combinações mais prováveis de produzirem o resultado esperado. Isto torna o processo de investigação experimental mais direcionado, e muito mais eficiente.
Os pesquisadores testaram a integração da inteligência artificial ao processo de pesquisa de materiais, relatando a descoberta de quatro novos materiais cristalinos inorgânicos, entre eles uma nova família de materiais sólidos capazes de conduzir lítio. Esta pode ser a matéria-prima para a confecção de baterias sólidas com maior autonomia e segurança, tendo potencial uso em veículos elétricos.
Este desenvolvimento ilustra como a inteligência artificial pode ser bem empregada nas tarefas em que ela é especialista, descobrir relações complexas a partir de uma imensidão de dados, potencializando o alcance do trabalho intelectual de um pesquisador naquilo que ele, por sua vez, faz melhor.
