Leitura rápida

Ferramenta de IA multimodal indica aplicações reais para materiais recém-descobertos
25 de julho de 2025, 12:10

Fonte

Universidade de Toronto

Publicação Original

Universidade de Toronto

Áreas

Biomateriais, Carbono, Ciência de Dados, Ciência dos Materiais, Computação, Engenharia Ambiental

Compartilhar

Resumo

Todos os anos, milhares de novos materiais são criados, mas muitos nunca atingem seu potencial máximo porque suas aplicações não são imediatamente óbvias. Esse é um dilema que pode ser resolvido com a ajuda da Inteligência Aartificial (IA).

Em um estudo publicado na revista científica Nature Communications, uma equipe liderada pelo Dr. Seyed Mohamad Moosavi, professor da Faculdade de Ciências Aplicadas e Engenharia da Universidade de Toronto, no Canadá, apresentou uma ferramenta de IA capaz de prever o desempenho de um novo material em aplicações reais.

O sistema se concentra em uma classe de materiais porosos conhecidos como estruturas metalorgânicas (MOFs), que possuem propriedades ajustáveis e uma ampla gama de aplicações potenciais.

O Dr. Moosavi destacou que cientistas de materiais criaram mais de 5.000 tipos diferentes de MOFs somente no ano passado, o que ressalta a escala do desafio.

Materiais da classe MOFs podem ser usados, por exemplo, para separar CO2 de outros gases em fluxos de resíduos, impedindo que o carbono atinja a atmosfera e contribua para as mudanças climáticas. Ou também podem ser usados para liberação controlada de fármacos, por exemplo.

Muitas vezes, MOFs criados para uma finalidade acabam tendo propriedades ideais para uma aplicação completamente diferente. O Dr. Seyed Moosavi citou um estudo anterior no qual um material originalmente sintetizado para fotocatálise foi posteriormente considerado altamente eficaz para captura de carbono – mas apenas sete anos após sua criação.

A nova abordagem com tecnologia de IA visa reduzir esse lapso de tempo entre a descoberta e a aplicação efetiva.

Durante a pesquisa, o doutorando Sartaaj Takrim Khan desenvolveu um sistema de aprendizado de máquina multimodal treinado com vários tipos de dados normalmente disponíveis imediatamente após a síntese do material.

O sistema de IA utiliza uma estratégia de pré-treinamento multimodal para obter insights sobre a geometria e o ambiente químico de um material, permitindo fazer previsões precisas de propriedades sem a necessidade de caracterização estrutural pós-síntese. Isso pode acelerar o processo de descoberta e ajudar os pesquisadores a identificar materiais promissores para diversas aplicações.

Para testar o modelo, a equipe conduziu um experimento de ‘viagem no tempo’: eles treinaram a IA com dados de materiais disponíveis antes de 2017 e solicitaram que ela avaliasse materiais sintetizados posteriormente.

O sistema identificou com sucesso diversos materiais – originalmente desenvolvidos para outros fins – como fortes candidatos à captura de carbono. Alguns deles estão agora passando por validação experimental, em colaboração com o Conselho Nacional de Pesquisa do Canadá.

Em suas publicações, o Portal SciAdvances tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Portal SciAdvances tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas. 

Autores/Pesquisadores Citados

Dr. Seyed Mohamad Moosavi

Professor da Faculdade de Ciências Aplicadas e Engenharia da Universidade de Toronto

Sartaaj Takrim Khan

Doutorando na Universidade de Toronto

Instituições Citadas

Universidade de Toronto

Publicação

Acesse o artigo científico completo (em inglês).

Acesse a revista científica Nature Communications (em inglês).

Mais Informações

Acesse a notícia original completa na página da Universidade de Toronto (em inglês).

Comunique um Erro

Notícias relacionadas

E-books relacionados

Rolar para cima