Seleção computacional em vez de tentativa e erro empírica: novas abordagens aos materiais para baterias

20 novembro 20262 visualizações

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.

Seleção computacional em vez de tentativa e erro empírica: novas abordagens aos materiais para baterias

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 modeloFunçãoFactos
Materials ProjectBase de dados e ferramentas para materiaisO 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.
GNoMEPrevisão da estabilidade dos cristaisA Google DeepMind treinou o modelo com dados do Materials Project. Foram adicionados novos compostos à base de dados.
MatterGenModelo generativo para materiais inorgânicosA 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.

EtapaO que aconteceResultado
Pesquisa inicialOs modelos de IA analisam materiais inorgânicos possíveis.Mais de 32 milhões de opções.
Filtro de estabilidadeOs modelos selecionam candidatos estáveis.Mais de 500 000 candidatos.
Redução da listaA filtragem reduz a lista.150 candidatos e, em seguida, 18 para avaliação especializada.
Verificação físicaSupercomputadores calculam com maior detalhe as opções mais promissoras.Propriedades mais precisas.
Decisão de sínteseOs 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.

CritérioO que indica
DadosO modelo baseia-se em cálculos e medições anteriores.
Propriedades-alvoO modelo avalia a estabilidade e a condutividade iónica.
Processo de verificação em cascataAs opções mais promissoras passam por cálculos físicos mais detalhados.
Papel do especialistaOs cientistas escolhem os materiais para síntese em laboratório.
ExperiênciaAs 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
Notícias

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
Notícias

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
Notícias

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
Seleção computacional em vez de tentativa e erro empírica: novas abordagens aos materiais para baterias