Seleção computacional em vez de tentativa e erro empírica: novas abordagens aos materiais para baterias
O material mostra como bases de cálculo, aprendizagem automática e modelos generativos reduzem o leque de composições promissoras, enquanto laboratórios automatizados aceleram a sua validação; ainda assim, o resultado depende da síntese e dos ensaios, nos quais as previsões podem divergir da condutividade real.

Porque a tentativa empírica esbarra na escala
A pesquisa tradicional de materiais decorre de forma sequencial: síntese da composição, medição das propriedades, ajuste dos parâmetros. Este ciclo não funciona bem quando existem milhões de materiais possíveis.

- Os fabricantes de baterias precisam de materiais com grande capacidade energética, carregamento rápido, longa vida útil e baixo custo.
- As propriedades dependem da combinação de elementos e da estrutura cristalina.
- A síntese e a medição sequenciais não são escaláveis para milhões de composições.
Critério prático: a tentativa em laboratório deve começar depois da triagem computacional, não em sua substituição.
Dados e modelos como primeiro filtro
Os modelos de aprendizagem automática usam cálculos e dados anteriores. Estimam as propriedades de materiais ainda não medidos e eliminam as opções menos promissoras. A literatura científica de acesso aberto contém dados experimentais para menos de 1% dos compostos.
| Recurso ou modelo | Função | Factos |
|---|---|---|
| Materials Project | Base de dados e ferramentas para materiais | O projeto foi lançado em 2011 no Berkeley Lab. Tem mais de 650 000 utilizadores registados. Estudos revistos por pares citaram os seus dados e ferramentas mais de 32 000 vezes. A biblioteca contém mais de 200 000 materiais e mais de 577 000 moléculas. Não são necessários conhecimentos de programação para a utilizar. |
| GNoME | Previsão da estabilidade dos cristais | A Google DeepMind treinou o modelo com dados do Materials Project. Foram adicionados novos compostos à base de dados. |
| MatterGen | Modelo generativo para materiais inorgânicos | A Microsoft criou o modelo. Este utiliza o mesmo recurso. O modelo propõe novas estruturas para serem testadas. |
Critério prático: um modelo é útil se reduzir a lista de candidatos e se basear em dados computacionais e experimentais. Não substitui a verificação final das propriedades.
Funil: de milhões de composições a uma lista restrita
O funil de seleção começa com uma lista extensa e termina com a decisão de sintetizar. A Microsoft e o Pacific Northwest National Laboratory utilizaram modelos de IA para pesquisar materiais inorgânicos. Os modelos previam a estabilidade e a condutividade iónica.
| Etapa | O que acontece | Resultado |
|---|---|---|
| Pesquisa inicial | Os modelos de IA analisam materiais inorgânicos possíveis. | Mais de 32 milhões de opções. |
| Filtro de estabilidade | Os modelos selecionam candidatos estáveis. | Mais de 500 000 candidatos. |
| Redução da lista | A filtragem reduz a lista. | 150 candidatos e, em seguida, 18 para avaliação especializada. |
| Verificação física | Supercomputadores calculam com maior detalhe as opções mais promissoras. | Propriedades mais precisas. |
| Decisão de síntese | Os cientistas escolhem os materiais para o laboratório. | Lista restrita para fabrico. |
Os cálculos demoraram 80 horas. A equipa estimou que os métodos anteriores teriam demorado 20 anos.
Critério prático: um funil computacional é útil se cada filtro sucessivo for mais rigoroso do que o anterior e se a decisão de sintetizar continuar a caber aos cientistas.
Onde os cálculos se encontram com o laboratório
Uma lista computacional só se transforma num material após a síntese e os testes. Investigadores do Pacific Northwest National Laboratory fizeram o percurso de um candidato identificado por cálculo até uma célula funcional.
- Fabricaram um eletrólito sólido em que parte do lítio foi substituída por sódio.
- Obtiveram um material com menos lítio do que o utilizado nas baterias de iões de lítio existentes.
- Montaram uma bateria de estado sólido e testaram-na à temperatura ambiente e a temperaturas mais elevadas.
- Registaram uma condutividade inferior às expectativas iniciais.
- Reconheceram a necessidade de uma avaliação abrangente antes da produção em massa.
- A passagem de uma lista gerada por computador a uma célula demorou semanas.
O Berkeley Lab tem o A-Lab: robôs controlados por IA fabricam materiais. O fluxo de modelação é combinado com experiências automatizadas. Na Europa, a iniciativa Battery 2030 plus trabalha para atingir um objetivo semelhante.
Critério prático: a seleção computacional encurta o caminho até à experiência, mas não garante as propriedades anunciadas. São os testes que determinam se a célula funciona.
Critérios de maturidade da seleção computacional
A seleção computacional não se resume a um único modelo. Funciona como uma cadeia de decisões.
| Critério | O que indica |
|---|---|
| Dados | O modelo baseia-se em cálculos e medições anteriores. |
| Propriedades-alvo | O modelo avalia a estabilidade e a condutividade iónica. |
| Processo de verificação em cascata | As opções mais promissoras passam por cálculos físicos mais detalhados. |
| Papel do especialista | Os cientistas escolhem os materiais para síntese em laboratório. |
| Experiência | As propriedades são verificadas no material fabricado. |
Critério prático: a abordagem é madura se conduzir de uma lista extensa a candidatos que possam ser testados e mantiver a verificação experimental. Caso contrário, fica-se apenas pelos cálculos.
Perguntas mais frequentes
Materiais semelhantes
Todos os materiais
Sistema composto de IA multiagente com ciclo de evidências para o planejamento de prótons em tumores de cabeça e pescoço
O trabalho descreve a combinação de uma política PPO treinada, que gera várias opções de plano, e de agentes LLM que conduzem um diálogo de refinamento com verificação de métricas clínicas e restrições; com base em 21 pacientes, a Qwen3-14B ajustada seguiu melhor as instruções e ajudou a deslocar a relação de compromisso a favor dos objetivos prioritários. A conclusão prática é que o planeamento DRL automatizado pode ser complementado por um diálogo orientado, mantendo o controlo sobre restrições concorrentes.
20 novembro 2026
A evolução dos benchmarks de agentes com o aumento do conjunto de tarefas: o papel da seleção de evidências e das corridas sequenciais
O trabalho explica por que aumentar o número de tarefas pode prejudicar a evolução de ambientes de agentes: a causa é a seleção inadequada de evidências, e não o volume de dados em si. O método Successive Scale Racing seleciona, de forma alternada, combinações diversificadas de tarefas e compara os candidatos a baixo custo; em três benchmarks, isso aumentou a taxa de execuções bem-sucedidas quando o conjunto cresceu de 40 para 200 tarefas, enquanto os métodos de referência tiveram desempenho pior, e o número de execuções de validação caiu cerca de 60%.
19 novembro 2026
Persuasão mútua entre modelos: as posições declaradas não correspondem ao comportamento no diálogo
Em debates controlados sobre as causas das alterações climáticas, quatro pares de GPT-6 Luna e Gemini 2.5 Flash Lite demonstram dinâmicas distintas de convergência ou divergência de posições. A instrução direta para persuadir não produz um efeito duradouro, e a posição declarada e o estilo de argumentação não refletem a mesma coisa.
19 novembro 2026