Machine learning para acelerar o desenvolvimento de novas baterias

Já é senso comum que a capacidade das baterias dos dispositivos eletrônicos móveis atuais geralmente deixa a desejar. A situação fica mais complicada quando percebemos que dispositivos mais avançados, com mais recursos, devem ser energeticamente ainda mais onerosos, e portanto vão depender ainda mais da energia disponibilizada pelas baterias. Sem que a tecnologia das baterias avance junto com a dos dispositivos, suas especificações devem ser um dos principais limitantes para o lançamento de produtos mais inovadores.

Desenvolver novas baterias depende de encontrar as moléculas adequadas, dentre bilhões de moléculas possíveis. Apesar de os cálculos exigidos serem bem conhecidos, sua complexidade e a imensidão das potenciais soluções torna ineficientes até os supercomputadores mais potentes. Buscando melhorar essa fase exploratória, pesquisadores do Laboratório Nacional de Argonne, que faz parte do Departamento de Energia dos Estados Unidos, desenvolveram uma abordagem baseada em machine learning para simplificar e agilizar o levantamento de moléculas candidatas a compor novas baterias.

Na primeira parte do trabalho, publicada em junho, os pesquisadores usaram um modelo computacionalmente intensivo chamado G4MP2 para determinar com alta precisão as propriedades eletrolíticas de 133 mil moléculas orgânicas pequenas, que representam uma pequena amostra de um universo de 166 bilhões de possibilidades. Na segunda parte, publicada em setembro, os pesquisadores implementaram um modelo de machine learning que usa equações baseadas na chamada teoria do funcional da densidade, que é um conjunto teórico de mecânica quântica usado para calcular a estrutura eletrônica em sistemas maiores. Essa teoria proporciona uma boa aproximação para as propriedades moleculares dos objetos de estudo, mas tem menor precisão que os cálculos do G4MP2. Treinando o modelo de machine learning com os resultados do modelo G4MP2 para as moléculas do dataset amostral (considerado o “gold standard” do estudo), ele aprendeu a aplicar um “fator de correção”, tornando os resultados mais precisos. Dessa forma, é possível obter propriedades moleculares quase tão precisa quanto as determinadas pelo modelo robusto, mas com uma pequena fração do custo computacional. O modelo se tornou então capaz de prever os resultados de interesse para o dataset maior contendo as moléculas que não foram usadas no treinamento.

Segundo os autores do estudo, o algoritmo permite entender as relações entre os átomos de uma molécula e seus vizinhos, como eles se ligam e interagem, e como podem ser comparados com outras moléculas similares cujas propriedades são bem conhecidas. Isso vai auxiliar a fazer predições sobre as energias de moléculas maiores, e no final das contas vai possibilitar ter a maior visão possível sobre eletrólitos candidatos a baterias, potencializando as novas descobertas que devem alimentar os equipamentos eletrônicos de nova geração.

Seja o primeiro a comentar

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *