LNNano - Brazilian Nanotechnology National Laboratory

Aprendizado de Maquina aplicado à Ciência de Materiais  

Grandes  avanços tecnológicos que foram desenvolvidos intensamente a partir do século XX culminaram na evolução das tecnologias digitais e sucessos conquistados ao longo do tempo. Diversas áreas científicas começaram a investir recursos para explorar essas capacidades e converter dados brutos em informação e conhecimento.

Na área de ciência de materiais, um marco foi dado pelo presidente dos Estados Unidos, Barack Obama, em 2011, ao lançar o programa “Genoma de Materiais”. O presidente americano destacou que materiais são diferenciadores de produtos, e são a chave para a economia e segurança nacional. Esse programa teve o escopo de criar e utilizar um sistema de infraestrutura experimental e computacional para a geração de dados referentes à otimização de propriedades físicas e químicas de materiais.

Iniciativas como essas, aliadas aos avanços computacionais e metodológicos, permitiram aproximar a ciência de materiais ao mundo do “Big data”, onde a informação existente pode ser estudada pela ciência de dados, que abrange técnicas de mineração, triagem, e aprendizado de máquina.

Uma das áreas mais conhecidas da ciência de dados e inteligência artificial é a chamada de “aprendizado de máquina” (do inglês machine learning), em que um componente fundamental é a disponibilidade de conjuntos de dados que propiciam a capacidade de “ensinar” as máquinas, da mesma forma que exemplos. Dentre as capacidades mais comuns para serem ensinadas estão as tarefas de divisão de materiais entre diferentes classes, e as tarefas de predição de valores numéricos. Por exemplo, a propriedades dos materiais.

Hoje uma parcela importante das comunidades de física, química, e engenharias começou a investir nessas metodologias para extrair informação e conhecimento dos dados acumulados.

Destaque entre as publicações mais lidas na América-Latina na edição 3, volume 2 da revista Journal of Physics: Materials, o artigo “From DFT to machine learning: recent approaches to materials science–a review”, escrito pelos pesquisadores Gabriel R. Schleder, Antonio Padilha, Marcio Costa, Carlos Mera Acosta, e liderado pelo director do Laboratório Naciona de Nanotecnologia – LNNano,  prof. Adalberto Fazzio, discute as bases teóricas e aplicações, desde as ferramentas computacionais usadas para geração dos dados na área de materiais, até as subsequentes abordagens modernas da ciência computacional de materiais. Estes materiais beneficiam-se de técnicas de machine learning usadas para desvendar complexidades e projetar novos materiais, com propriedades aprimoradas. “No LNNano essa técnica é empregada para descobertas de novos materiais, novas propriedades e para a utilização de grupos experimentais para desenho de novos dispositivos.” Explica o diretor do laboratório.