Por Katia Moskvitch, IBM Research Editorial Lead

Um átomo aqui, outro átomo ali…

Quanto mais átomos, mais complexa se torna uma molécula — com infinitas possibilidades de configurações moleculares possíveis. Isso significa um processo longo, caro e tedioso de tentativa e erro para descoberta de materiais, onde o sucesso não é garantido.

Mas não precisa ser assim.

Graças ao enorme impulso que a inteligência artificial está dando ao design molecular tradicional e à computação quântica que já está pronta para intervir, estamos entrando na era da Descoberta Acelerada. É a era da rápida descoberta de novos materiais avançados, vitais para a fabricação de produtos sustentáveis ​​que podem nos ajudar a enfrentar uma série de desafios globais, desde mudanças climáticas até redução de resíduos e segurança alimentar e energética.

Ainda estamos nos primeiros dias, mas os pesquisadores da IBM já estão aplicando essa nova abordagem baseada em IA para projetar materiais mais sustentáveis. Uma equipe criou recentemente novas moléculas chamadas geradores de fotoácidos (PAGs). Com mais melhorias, eles poderiam ajudar a produzir dispositivos de computação mais ecológicos.

Os PAGs existem desde a década de 1980 e desempenham um papel vital na fabricação de chips de computador. Em um processo chamado litografia, a luz ultravioleta gera um padrão tridimensional em uma camada de um material fotossensível — um fotoresistor. Os fótons de luz quebram o PAG dentro do fotorresistor para produzir moléculas de ácido muito fortes. Essas moléculas catalisam as reações químicas que criam o padrão que define as estruturas físicas de um chip de computador, como portas de transistores ou fios de interconexão.

Muito lento, caro e arriscado
As melhorias nos fotoresistores e litografia desempenharam um papel importante nas últimas duas décadas de desenvolvimento de chips. Elas nos permitiram embalar mais e mais transistores em chips cada vez menores, resultando em dispositivos cada vez mais finos e poderosos.

Mas há um problema.

Os PAGs são uma das várias classes de compostos químicos que recentemente estão sob um crescente escrutínio por parte dos reguladores ambientais globais. Os pesquisadores estão correndo para criar outros mais sustentáveis, para permitir um futuro de computação “verde” sustentável. Infelizmente, o processo tradicional de descoberta de novos materiais é muito demorado, muito caro e muito arriscado para enfrentar esse desafio de maneira prática e oportuna.

“Tradicionalmente, os pesquisadores usariam seu próprio conhecimento e as informações que encontrariam na literatura publicada para projetar um PAG, na esperança de que ele tivesse as propriedades desejadas”, diz Dan Sanders, pesquisador da IBM e especialista em materiais eletrônicos no laboratório da companhia em Almaden, na Califórnia. “Com base nesse projeto inicial, eles seguiriam muitos ciclos de síntese, caracterização e teste de candidatos até serem capazes de criar um que fosse satisfatório. Normalmente, demoraria meses, às vezes anos, mesmo com a ajuda de computadores, para executar as simulações avançadas.”

Portanto, sua equipe adotou uma abordagem diferente, com a ajuda da IA.

O uso de IA na ciência de materiais não é novo. Mas mesmo há apenas cinco anos, a IA era boa principalmente em prever as características de um material. Por exemplo, se um pesquisador entrou em uma estrutura molecular conhecida, a IA preveria corretamente, digamos, que sua temperatura de fusão é de 100 graus Celsius. No entanto, “os químicos industriais estavam muito mais interessados ​​em aplicar a IA para criar rapidamente uma ampla variedade de estruturas moleculares além da criatividade humana”, diz Seiji Takeda, pesquisador da IBM em Tóquio.

“Basta pensar nisso: sabemos de materiais que têm um bilhão de configurações moleculares diferentes conhecidas, mas potencialmente pode haver pelo menos 1060 vezes mais”, acrescenta. “E os materiais úteis são apenas uma pequena parte disso. É como encontrar um pequeno diamante perdido no Saara.”

Vamos entrar na abordagem de Descoberta Acelerada com IA — combinando tecnologias de computação avançadas para permitir que pesquisadores de todo o mundo façam descobertas moleculares por meio da nuvem. Desenvolvido recentemente na IBM Research, não é mais apenas uma questão de prever as propriedades de um material conhecido, mas sim de projetar rapidamente novos materiais com as propriedades desejadas.

Descoberta Acelerada a todo vapor
Para criar os novos PAGs, a equipe de Almaden liderada por Sanders e seu colega pesquisador Dmitry Zubarev primeiro trabalhou com especialistas em fotorresistência, saúde e segurança ambiental. Eles determinaram meticulosamente todas as propriedades de desempenho e sustentabilidade exigidas para o PAG pretendido. Feito isso, eles usaram inteligência artificial, simulação de um computador de última geração e tecnologias de automação avançadas por meio da nuvem híbrida para projetar e sintetizar PAGs em potencial, mais rápido do que nunca.

“Depois de delinear as propriedades que queríamos que a molécula tivesse, começamos a coletar todos os dados sobre os geradores de fotoácidos existentes que estão escondidos em patentes, trabalhos acadêmicos, pré-impressões, livros de ciências e outras literaturas”, explica Sanders. Essa é uma tarefa difícil para qualquer humano. Os pesquisadores então usaram a inteligência artificial Deep Search da IBM, desenvolvida pela equipe de Peter Staar no laboratório de pesquisa da IBM em Zurique, para compilar e explorar o conhecimento científico conhecido para PAGs. Eles adicionaram 6.000 artigos e patentes à IA e criaram um gráfico de conhecimento com 2,2 milhões de nodos e 38 milhões de arestas de materiais conhecidos.

No entanto, eles descobriram que dados de propriedades importantes para a maioria dos compostos em que estavam interessados ​​eram quase que completamente ausentes na literatura disponível. “Essa foi uma lacuna clara em nosso conhecimento”, diz Sanders. Para fechá-la, os pesquisadores se voltaram para a chamada simulação inteligente, uma simulação alimentada por IA e liderada pela equipe de Ed Pyzer-Knapp nos laboratórios de pesquisa da IBM no Reino Unido. A ideia era aumentar o conjunto de dados estruturais com as propriedades ópticas e ambientais necessárias para criar e treinar um modelo de IA.

E não qualquer modelo de IA, mas um modelo de IA “generativo” que poderia projetar a estrutura de uma nova molécula com uma propriedade química específica. “Um modelo generativo é uma tecnologia de inteligência artificial que, após ser treinada por um conjunto de dados, projeta ou gera automaticamente novos objetos com características semelhantes aos dados originais”, explica Takeda. “Por exemplo, se você treinar o modelo usando muitas imagens de gato e depois pedir à IA para gerar novas imagens de gatos brancos e fofinhos, é isso que o modelo fará. Vai produzir muitos gatos brancos e esponjosos, cada um deles absolutamente único”.

Não tão interessados em imagens de gatos, Takeda e sua equipe desenvolveram um modelo generativo de moléculas. Primeiro, eles o treinaram com a estrutura PAG existente e os dados de propriedade e, em seguida, pediram ao sistema para projetar novas estruturas PAG com propriedades de menor risco ambiental, mantendo a alta fotossensibilidade. A IA cumpriu e “gerou cerca de 2.000 candidatos PAG potenciais em apenas cinco horas”, diz Takeda.

Isso é muito para avaliar cada um deles. Portanto, os pesquisadores usaram a tecnologia Expert-in-the-Loop da IBM que integra o conhecimento de especialistas humanos para enriquecer o resultado do modelo gerador de IA e priorizar os candidatos mais promissores e acionáveis.

Com a tarefa concluída, eles recorreram à equipe de pesquisa da IBM em Zurique, liderada por Teodoro Laino, que estava desenvolvendo tecnologias Automatizadas de Laboratório. Agora eles tinham que resolver dois desafios restantes: determinar a melhor rota sintética para fazer os PAGs e, finalmente, sintetizá-los em um sistema de reator químico robótico automatizado. A equipe de Laino adaptou sua ferramenta retrossintética baseada em inteligência artificial que rapidamente identifica a melhor maneira de produzir moléculas orgânicas e, finalmente, criou um PAG com seu sistema de reator químico robótico automatizado baseado em nuvem, o RoboRXN .

“Claramente, nossa abordagem de Descoberta Acelerada abreviou muito o desenvolvimento de novos PAGs”, diz Sanders. “Ainda estamos nos estágios iniciais, é claro. Mas estou confiante de que, no futuro, seremos capazes de usar essa abordagem para acelerar a descoberta de novos materiais que nos ajudem a enfrentar muitos desafios de sustentabilidade.”

As novas moléculas de PAG não são o único sucesso inicial do método de Descoberta Acelerada. A equipe de Takeda também usou seu modelo generativo para projetar uma nova membrana polimérica que absorve melhor o dióxido de carbono do que as membranas usadas atualmente em tecnologias de captura de carbono. Eles também projetaram um novo tipo de açúcar com uma temperatura de fusão específica, em colaboração com um cliente IBM, Nagase.

No futuro, Takeda pretende expandir as capacidades de inteligência artificial de sua equipe para uma gama mais ampla de domínios materiais, incluindo material inorgânico. Isso poderia ajudar, por exemplo, a criar baterias mais sustentáveis. Se danificadas, as baterias podem emitir gases tóxicos, e a extração de seus principais ingredientes, geralmente lítio e cobalto, pode ter consequências ambientais, como poluição e esgotamento da água.

“As possibilidades são infinitas: podemos usar nossos modelos generativos para criar novos polímeros, novos medicamentos, novos materiais emissores de luz, ingredientes alimentícios, garrafas plásticas biodegradáveis ​​de custo ultrabaixo, células solares orgânicas flexíveis ou mesmo ‘pintáveis’, ou o que você quiser”, diz Takeda. “Mas o ponto principal é: agora mostramos que o Deep Search, a simulação enriquecida com IA, os modelos de IA generativos e os laboratórios autônomos podem — junto com especialistas humanos, é claro — acelerar muito o design de materiais e nos ajudar a chegar mais perto de uma sociedade sustentável”.