Um estudo realizado por pesquisadores do Centro Nacional de Pesquisa em Energia de Materiais (CNPEM), organização vinculada ao Ministério da Ciência, Tecnologia e Inovações (MCTI), descreveu, pela primeira vez, uma metodologia que tem potencial de revelar novos materiais com estrutura 2D, com potencial de otimizar o uso de recursos financeiros e humanos, além de acelerar experimentos necessários para avaliar propriedades e até descobrir novos materiais.

 

 

 

 

 

 

 

As ferramentas computacionais estão cada vez mais presentes nos processos que antecedem os experimentos científicos, especialmente na área biológica, em que há bancos de dados com extensos e variados volumes de dados. Na ciência de materiais, as informações disponíveis são mais escassas, mas, ainda assim, os recursos de machine learning, métodos de análise de dados que permitem a construção automatizada de modelos preditivos, são promissores para a descoberta de materiais com propriedades específicas para o desenvolvimento de novas tecnologias.

 

Adalberto Fazzio, diretor do Laboratório Nacional de Nanotecnologia (LNNano) e coordenador da pesquisa, explicou que “O uso de recursos de machine learning é capaz de otimizar esse tipo de pesquisa e, mesmo lidando com relativa escassez de dados, foi possível revelar 17 materiais promissores para desenvolvimento de aplicações que tiram proveito das propriedades que buscávamos selecionar”.

 

 

Borda metálica e núcleo isolante

 

O artigo, recém-publicado em veículo da área de física aplicada, demonstrou a acurácia do método em mais de 90% com uso de machine learning na busca de materiais de duas dimensões (2D), formados por uma única camada de poucos átomos de espessura com uma propriedade eletrônica específica: a de serem isolantes topológicos, materiais com bordas metálicas que são, portanto, condutores de eletricidade, e a parte central isolante. Esse grupo de materiais tem potencial para o desenvolvimento de dispositivos em que a corrente elétrica pode fluir sem perturbações e dissipação de calor. Essas características têm grande valor para o desenvolvimento de dispositivos, que tendem a ficar cada vez menores, capazes de funcionar com maior eficiência e menor gasto de energia. Por isso estão sendo estudados para uso em sensores mais eficientes e componentes para computação quântica, por exemplo.

 

Para Gabriel Schleder, pesquisador do LNNano e um dos responsáveis pelo estudo, o uso de novos materiais poderia levar à superação de limites estabelecidos pela física para o controle de equipamentos miniaturizados. “Os dispositivos de hoje estão perto do limite físico que a tecnologia impõe. A redução do tamanho dos componentes gera dificuldades de controle de suas funções e maior risco de falha dos circuitos. Com esses novos materiais se busca controles seguros e eficientes com menor dissipação de energia”, concluiu Schleder.

 

 

Avanço na pesquisa e próximos passos

 

O desenvolvimento de materiais como esses exige um trabalho minucioso que costuma demandar, além de tempo, uma equipe especializada, instrumentos de pesquisa, geralmente disponíveis em poucos lugares, bem como insumos valiosos e escassos.

 

“A estratégia que demonstramos se revelou até dez vezes mais eficiente em prever as propriedades dos materiais em relação à abordagem tradicional, baseada na tentativa e erro. Se o pesquisador tem pequenas quantidades de materiais que poderiam ser testados experimentalmente, esses recursos computacionais podem trazer uma vantagem gigantesca. Vale lembrar que esse método pode ser usado para buscar informações em outros bancos de dados e prever, além da condutividade eletrônica, outras propriedades de interesse, como óptica e magnetismo”, esclarece Bruno Focassio, pesquisador do LNNano, que também assina o artigo.

 

Segundo o informativo do CNPEM, o trabalho de pesquisa tem pela frente dois caminhos. O primeiro segue na investigação, com maior profundidade, das propriedades de aplicação dos materiais que se revelaram mais promissores no estudo, para confirmar a viabilidade do uso deles no desenvolvimento de dispositivos. O segundo usa os recursos de machine learning para buscar, em materiais diferentes, outras propriedades exóticas que possam ser úteis como recurso tecnológico.

 

(Fotos: CNPEM)

#cienciadosmateriais #machinelearning #novosmateriais #nano

Em alta Indústria 4.0

---