Hoje, a balança da visibilidade pende para os problemas causados pela presença crescente dos polímeros na vida humana, desde que começaram a substituir materiais menos abundantes, mais caros, pesados, e mais difíceis de serem adaptados a novas aplicações. No entanto, boa parte do desenvolvimento tecnológico nos últimos 100 anos tem a participação de plásticos, borrachas e fibras sintéticas, que transformaram a indústria automobilística, têxtil, aeroespacial, além de embalagens –como as justificadamente mal afamadas sacolas descartáveis e garrafas PET– e dispositivos médicos, dentre outras áreas.

Polímeros naturais são empregados há séculos, mas foi só nas primeiras décadas do século XX que surgiram as versões sintéticas. O pioneiro, o baquelite, foi patenteado em 1909. O marco de nascimento da ciência de polímeros é 1920, quando o alemão Hermann Staudinger publicou artigo que desvenda a formação das cadeias poliméricas. Staudinger recebeu o Prêmio Nobel de Química de 1953 pelo seu trabalho.

Polímero significa formado por muitas (poli) partes (meros). São macromoléculas formadas por longas cadeias de átomos e moléculas menores, os monômeros. Os diferentes tamanhos dessas cadeias, a sua estrutura espacial e as praticamente infinitas composições químicas levam também a inúmeras propriedades possíveis.

Este grande número de combinações possíveis, entre diferentes elementos, em cadeias de vários tamanhos e em sequências distintas de átomos, gera desafios para o uso da inteligência artificial na pesquisa de novos polímeros, no que é chamado de design racional de materiais. A inteligência artificial e, mais especificamente, a aprendizagem de máquina, têm se destacado como ferramentas poderosas na predição de propriedades e, assim, no desenvolvimento de novos materiais de modo mais eficaz, rápido e barato que o tradicional, em grande medida fundado no processo de tentativa e erro. Resultados importantes têm sido obtidos para os materiais mais antigos, como ligas metálicas e cerâmicas, mas a diversidade e complexidade dos polímeros, associadas à relativa juventude do campo, criam dificuldades adicionais.

Uma pesquisa realizada na Universidade de Chicago e publicada no final de 2020 no periódico Science Advances nos aproximou desta possibilidade de usar algoritmos para saber qual combinação de monômeros leva ao polímero com as propriedades desejadas para uma aplicação específica –como, por exemplo, leveza e resistência para novos veículos aeroespaciais– e, também, a materiais com características que reduzam seu impacto sobre o ambiente, como a biodegradabilidade.

O uso da inteligência artificial na área de materiais parte de grandes bancos de dados para buscar vínculos entre composição, estrutura e outros atributos e as propriedades apresentadas por materiais diversos. Na abordagem tradicional, materiais são sintetizados e, depois, analisados para caracterização de suas propriedades e avaliação de sua adequação ao uso pretendido. Com a inteligência artificial, a expectativa é que seja possível informar as propriedades desejadas e receber, em resposta, uma espécie de receita para os materiais mais promissores.

No entanto, escassez de dados empíricos e a qualidade desses dados comprometem muito este desenvolvimento. Uma outra questão, no caso dos polímeros, era o número de registros necessários para treinar uma rede neural (a ferramenta empregada neste caso) com moléculas conhecidas até que ela pudesse predizer propriedades de novos materiais.

O grupo da Universidade de Chicago combinou, à inteligência artificial, modelagem e simulação, para treinar uma rede neural a partir de apenas 2 mil polímeros hipotéticos, construídos computacionalmente para testar a ferramenta. Antes, imaginava-se que poderiam ser necessárias até milhões de cadeias poliméricas para obter este resultado.

A rede treinada foi capaz de prever com precisão as propriedades associadas a diferentes cadeias poliméricas, mostrando, sobretudo, que este é um caminho possível e muito promissor para conjuntos de dados sobre polímeros obtidos empiricamente. Com isso, a expectativa é que a partir de agora vejamos avanços no seu uso para a obtenção dos plásticos e outros materiais poliméricos indispensáveis ao enfrentamento de grandes desafios como, por exemplo, a transição energética, dentre vários outros.

Nas idades pré-históricas identificadas com diferentes materiais (pedra, bronze, ferro), partia-se de propriedades evidentes desses materiais –a dureza, por exemplo– para o uso em aplicações como caça e guerra.

Depois, e até muito recentemente, passamos a criar novos materiais por um processo empírico de tentativa e erro, ainda que informado pelo conhecimento experimental e teórico acumulado e, depois, também por simulações computacionais. Esses novos materiais, sintetizados com participação significativa do acaso –tanta que o processo é apelidado por pesquisadores de “tente e tenha sorte”–, são então caracterizados para conhecimento profundo de suas propriedades e, a partir desse conhecimento, sugestão de novas aplicações.

Agora, o que a ciência de dados e a inteligência artificial prometem é o processo inverso, em que imaginamos uma aplicação e perguntamos à máquina qual material mais provavelmente terá as propriedades necessárias.

O Materials Genome Initiative, programa do governo Obama lançado em 2011 para dobrar a velocidade e, concomitantemente, reduzir o custo da descoberta de novos materiais, é considerado um marco no desenvolvimento da área. A iniciativa destaca a existência de um intervalo que vai de 10 a 20 anos para um novo material chegar ao mercado e atribui esse tempo à dependência da intuição científica associada ao processo de tentativa e erro. Para diminui-lo, propõe, sobretudo, o investimento em ferramentas da ciência de dados.

“Os métodos de inteligência artificial são estudados desde os anos 1980. A mudança que temos agora é uma quantidade muito grande de dados disponíveis”, situa Gustavo Martini Dalpian, professor da Universidade Federal do ABC (UFABC) que tem usado essas ferramentas na busca de novos materiais para aplicações em energia. “Hoje, há ações envolvendo big data para quase todas as vertentes de materiais para energia. Há pessoas procurando materiais para células solares de perovskitas, para baterias de lítio mais eficientes, novos materiais termoelétricos”, exemplifica.

Em 2019, Dalpian e o estudante de doutorado Douglas José Baquião Ribeiro publicaram artigo relatando a busca por materiais para as chamadas células solares de banda intermediária, que prometem eficiência superior às células fotovoltaicas convencionais. Com o apoio da técnica de screening, os pesquisadores partiram de um conjunto de quase 50 mil possibilidades para chegar em uma lista com apenas três materiais.

“Os bancos disponibilizam volumes imensos de informações sobre propriedades de materiais já sintetizados e hipotéticos. Se queremos, por exemplo, encontrar um material com dureza próxima à do diamante, a ideia é procurar nos bancos de dados aqueles que possuem um módulo de compressibilidade volumétrica grande, e estes potencialmente serão bons candidatos. O desafio passa a ser, portanto, definir quais propriedades precisam ser buscadas, as quais chamamos de descritores”, explica Dalpian.

O que o screening e outros métodos permitem, portanto, é o melhor aproveitamento de dados acumulados sobre materiais, resultantes de décadas de trabalho experimental e simulações computacionais. Esses dados tornam possível prever propriedades de novos materiais, com o uso de técnicas de inteligência artificial. Dentre essas técnicas, destaca-se a aprendizagem de máquina (machine learning), cujos algoritmos são capazes de identificar correlações complexas entre composição, estrutura e propriedades dos materiais, muito difíceis de serem detectadas pelos métodos tradicionais. Com isso, detectam padrões e aprendem tendências mesmo sem compreender os mecanismos físicos por trás de um determinado resultado.

Universo inexplorado

A revista Science, em nota sobre o tema publicada recentemente, registra que pode chegar à casa dos bilhões o número de materiais ainda desconhecidos. Destes, a grande maioria é irrelevante, o que transforma a procura por materiais de interesse, nas palavras do periódico, em uma busca por agulhas no palheiro.

Os vidros são uma classe de materiais que ilustra bem este desafio. Das 10⁵² composições vítreas estimadas como possíveis –a partir de combinações entre os elementos da tabela periódica–, apenas 10⁵ vidros já foram sintetizados. Este universo inexplorado traz grandes oportunidades e, vislumbrando esse potencial, Edgar Dutra Zanotto, professor do Departamento de Engenharia de Materiais (DEMa) da Universidade Federal de São Carlos (UFSCar) e Diretor do Centro de Pesquisa, Tecnologia e Educação em Materiais Vítreos (Certev), iniciou há pouco mais de dois anos o trabalho com ferramentas de ciência de dados. Para tanto, buscou a parceria de André Carlos Ponce de Leon Ferreira de Carvalho, do Instituto de Ciências Matemáticas e de Computação (ICMC) da Universidade de São Paulo (USP).

Em um primeiro artigo, publicado em outubro de 2018, os pesquisadores treinaram um algoritmo para previsão de uma propriedade fundamental na produção de vidros, a temperatura de transição vítrea (T_g). O treinamento foi realizado a partir de dados com a T_g de 55.000 composições vítreas.

Agora, o grupo acaba de publicar um segundo artigo que compara a performance de seis algoritmos diferentes na previsão da mesma propriedade e, para os próximos meses, está previsto o primeiro trabalho que insere outras propriedades nos cálculos realizados. A meta é chegar em softwares de design inverso de vidros, ou seja, nos quais são inseridas as propriedades desejadas para obter um pequeno conjunto de composições a serem testadas empiricamente.

Neste caso, além da economia de tempo e dinheiro, há o potencial de obter materiais com propriedades e aplicações exóticas. Isto porque vidros com até 10 elementos químicos em sua composição são comuns, mas acima disso é muito mais difícil experimentar sem o apoio da inteligência artificial.