Atuamos na fascinante interseção entre nanociência, ciência de materiais computacional, física da matéria condensada e inteligência artificial, onde buscamos desvendar os comportamentos complexos e as propriedades dos materiais em níveis atômico e molecular. Utilizando infraestrutura de computação de alto desempenho, empregamos técnicas computacionais no estado da arte, como teoria do funcional da densidade, dinâmica molecular e aprendizado de máquina, para investigar e projetar novos materiais com propriedades específicas. Focamos na compreensão da física fundamental que rege o comportamento dos materiais em nanoescala e aproveitar esse conhecimento para desenvolver materiais para aplicações de próxima geração em eletrônica, tecnologias quânticas, armazenamento de energia, sustentabilidade e muito mais.

Por meio de colaborações estreitas com grupos experimentais e parceiros industriais, estamos particularmente interessados em explorar os algoritmos de machine learning e deep learning para acelerar a descoberta de novos materiais, prever suas propriedades e otimizar seu desempenho, reduzindo significativamente muitos custos de desenvolvimento. Ao preencher a lacuna entre previsões teóricas e aplicações práticas, buscamos expandir as fronteiras da ciência de materiais e contribuir para o desenvolvimento de tecnologias transformadoras e soluções inovadoras para desafios globais em energia, meio ambiente e saúde.

Especificações:

• Estrutura e propriedades do estado fundamental;
  • Teoria do Funcional da Densidade (DFT);
  • Propriedades e Estrutura eletrônica de materiais;
• Átomos em movimento;
  • Dinâmica Molecular (MD): ab initio (quântica), semiempírica, machine learning, clássica;
• Propriedades Magnéticas;
• Propriedades Opticas;
• Propriedades Topológicas;
• Transporte eletrônico;
• Automatização e criação de bancos de dados;
  • Larga escala (high throughput);
• Descoberta de novos materiais via cálculos high-throughput e inteligência artificial.

Especificações:

• Padronização da coleta e engenharia de dados;
• Análise preditiva de propriedades de materiais;
• Análise e modelagem de dados experimentais;
• Processamento de Imagens (em especial, de diferentes microscopias);
• Segmentação de imagens via Deep Learning;
• Aprendizado de máquina (machine learning);
• Aprendizagem profunda (deep learning);
• Otimização sequencial (active learning) de processos e design experimental (design of experiments, DOX);
• Treinamento de modelos preditivos para sensores.