Descobertas em semanas, não em anos: como a IA e a computação de alto desempenho estão acelerando as descobertas científicas
*Por Catherine Bolgar
A computação já acelerou as descobertas científicas. Agora, os cientistas dizem que uma combinação de IA avançada com a computação em nuvem de próxima geração está acelerando o ritmo da descoberta a velocidades inimagináveis há apenas alguns anos.
A Microsoft e o Laboratório Nacional do Noroeste do Pacífico (Pacific Northwest National Laboratory – PNNL), em Richland, Washington, estão colaborando para demonstrar como esta aceleração pode beneficiar a química e a ciência dos materiais – dois campos científicos fundamentais para encontrar soluções energéticas de que o mundo necessita.
Cientistas do PNNL estão testando um novo material de bateria que foi encontrado em questão de semanas, não anos, como parte da colaboração com a Microsoft para uso em IA avançada e computação de alto desempenho (HPC), um tipo de computação baseada em nuvem que combina um grande número de computadores para resolver tarefas científicas e matemáticas complexas.
Como parte desse esforço, a equipe do Microsoft Quantum usou IA para identificar cerca de 500 mil materiais estáveis no espaço de poucos dias.
O novo material de bateria surgiu de uma colaboração usando o Azure Quantum Elements da Microsoft para separar 32 milhões de materiais inorgânicos potenciais em 18 candidatos promissores que poderiam ser usados no desenvolvimento de baterias em apenas 80 horas. Mais importante ainda, este trabalho abre caminho para uma nova forma de acelerar soluções para desafios urgentes de sustentabilidade, farmacêuticos e outros, ao mesmo tempo que dá uma ideia dos avanços que se tornarão possíveis com a computação quântica.
“Acreditamos que há uma oportunidade de fazer isso em vários campos científicos”, afirma Brian Abrahamson, diretor digital do PNNL. “Os recentes avanços tecnológicos abriram a oportunidade para acelerar a descoberta científica”.
O PNNL é um laboratório do Departamento de Energia dos EUA que realiza pesquisas em diversas áreas, incluindo química e ciência dos materiais, e seus objetivos incluem segurança energética e sustentabilidade. Isso o tornou o colaborador ideal da Microsoft para aproveitar modelos avançados de IA para descobrir novos candidatos a materiais de bateria.
“O desenvolvimento de novas baterias é um desafio global extremamente importante”, diz Abrahamson. “Foi um processo trabalhoso. Sintetizar e testar materiais em escala humana é fundamentalmente limitante”.
Aprendendo por tentativa e erro
O primeiro passo tradicional da síntese de materiais é ler todos os estudos publicados de outros materiais e formular hipóteses sobre como diferentes abordagens poderiam funcionar. “Mas um dos principais desafios é que as pessoas publiquem as suas histórias de sucesso, e não as suas histórias de fracasso”, diz Vijay Murugesan, líder do grupo de ciências dos materiais no PNNL. Isso significa que os cientistas raramente se beneficiam ao aprender com as falhas uns dos outros.
O próximo passo científico tradicional é testar as hipóteses, normalmente um processo longo e interativo. “Se falhar, voltamos à prancheta novamente”, diz Murugesan. Um de seus projetos anteriores no PNNL, uma tecnologia de bateria de fluxo redox de vanádio, exigiu vários anos para resolver um problema e projetar um novo material.
O método tradicional exige que se procure como melhorar o que foi feito no passado. Outra abordagem seria aproveitar todas as possibilidades e, através da eliminação, encontrar algo novo. Projetar novos materiais requer muitos cálculos, e a química provavelmente estará entre as primeiras aplicações da computação quântica. O Azure Quantum Elements oferece um sistema de computação em nuvem projetado para pesquisas em química e ciência de materiais, visando uma eventual computação quântica, e já está trabalhando nesses tipos de modelos, ferramentas e fluxos de trabalho. Esses modelos serão aprimorados para futuros computadores quânticos, mas já estão se mostrando úteis para o avanço da descoberta científica usando computadores tradicionais.
Para avaliar seu progresso no mundo real, a equipe do Microsoft Quantum se concentrou em algo onipresente em nossas vidas – materiais para baterias.
Ensinando ciência dos materiais para IA
A Microsoft primeiro treinou diferentes sistemas de IA para fazer avaliações sofisticadas de todos os elementos viáveis e sugerir combinações. O algoritmo propôs 32 milhões de candidatos – como encontrar uma agulha em um palheiro. Em seguida, o sistema de IA encontrou todos os materiais estáveis. Outra ferramenta de IA filtrou moléculas candidatas com base na sua reatividade e outra com base no seu potencial para conduzir energia.
A ideia não é encontrar todas as agulhas possíveis no hipotético palheiro, mas encontrar a maioria das boas. A tecnologia de IA da Microsoft reduziu os 32 milhões de candidatos para cerca de 500.000, em sua maioria novos materiais estáveis, e depois para 800.
“Em cada etapa da simulação em que tive que executar um cálculo de química quântica, estou chamando o modelo de aprendizado de máquina. Portanto, ainda obtenho os insights e as observações detalhadas resultantes da execução da simulação, mas a simulação pode ser até meio milhão de vezes mais rápida”, afirma Nathan Baker, líder de produto do Azure Quantum Elements.
A IA pode ser rápida, mas não é perfeitamente precisa. O próximo conjunto de filtros usou HPC, que fornece alta precisão, mas usa muito poder de computação. Isso o torna uma boa ferramenta para um conjunto menor de materiais candidatos. A primeira verificação de HPC usou a teoria do funcional da densidade para calcular a energia de cada material em relação a todos os outros estados em que poderia estar. Depois vieram as simulações de dinâmica molecular que combinaram IA e HPC para analisar os movimentos de átomos e moléculas dentro de cada material.
Este processo selecionou a lista para 150 candidatos. Por fim, os cientistas da Microsoft usaram HPC para avaliar a praticidade de cada material – disponibilidade, custo e outros – para reduzir a lista para 23 – cinco dos quais já eram conhecidos.
Graças a esta combinação AI-HPC, descobrir os candidatos a materiais mais promissores demorou apenas 80 horas.
A porção de HPC foi responsável por 10% do tempo gasto em computação – e isso ocorreu em um conjunto de moléculas já direcionado. Esta computação intensa é o gargalo, mesmo em universidades e instituições de investigação que possuem supercomputadores, que não só não são adaptados a um domínio específico, mas também são partilhados, pelo que os investigadores podem ter de esperar pela sua vez. As ferramentas de IA baseadas em nuvem da Microsoft aliviam esta situação.
Amplas aplicações e acessibilidade
Os cientistas da Microsoft usaram a IA para fazer a grande maioria da separação, representando cerca de 90% do tempo computacional gasto. Os cientistas de materiais do PNNL examinaram então a lista restrita para meia dúzia de materiais candidatos. Como as ferramentas de IA da Microsoft são treinadas para química, e não apenas para sistemas de baterias, elas podem ser usadas para qualquer tipo de pesquisa de materiais, e a nuvem está sempre acessível.
“Acreditamos que a nuvem é um recurso tremendo para melhorar a acessibilidade às comunidades de pesquisa”, diz Abrahamson.
Hoje, a Microsoft apoia um copiloto específico para a química e ferramentas de IA que, em conjunto, agem como um ímã que puxa possíveis agulhas do palheiro, reduzindo o número de candidatos para futuras explorações, para que os cientistas saibam onde se concentrar. “A visão pela qual estamos trabalhando é a de materiais generativos onde posso solicitar uma lista de novos compostos de bateria com os atributos desejados”, diz Baker.
O estágio prático é onde o projeto está agora. O material foi sintetizado com sucesso e transformado em protótipos de baterias funcionais que passarão por diversos testes em laboratório. A confecção do material neste momento, antes de ser comercializado, é artesanal. Um dos primeiros passos é pegar precursores sólidos dos materiais e triturá-los manualmente com almofariz e pilão, explica Shannon Lee, cientista de materiais do PNNL. Ela então usa uma prensa hidráulica para compactar o material em um pellet em forma de moeda de dez centavos. Ele vai para um tubo de vácuo e é aquecido a 450 a 650 graus Celsius (842 a 1.202 graus Fahrenheit), transferido para uma caixa para mantê-lo longe de oxigênio ou água e depois transformado em pó para análise.
Para este material, o processo de 10 horas ou mais é “relativamente rápido”, diz Lee. “Às vezes leva uma ou duas semanas para fazer um único material.”
Em seguida, centenas de baterias funcionais devem ser testadas, em milhares de ciclos de carregamento e outras condições diferentes, e posteriormente diferentes formatos e tamanhos de baterias para realizar o uso comercial. Murugesan sonha com o desenvolvimento de um gêmeo digital para química ou materiais, “para que você não precise ir a um laboratório e juntar esse material e fazer uma bateria e testá-lo. Você pode dizer: ‘este é meu ânodo e este é meu cátodo e aquele é o eletrólito e esta é a quantidade de voltagem que vou aplicar’, e então ele pode prever como tudo funcionará junto. Mesmo detalhes como, após 10.000 ciclos e cinco anos de uso, o desempenho do material será assim”.
A Microsoft já está trabalhando em ferramentas digitais para acelerar as demais partes do processo científico.
O longo processo tradicional é ilustrado pelas baterias de íons de lítio. O lítio chamou a atenção como componente de bateria no início dos anos 1900, mas as baterias recarregáveis de íons de lítio só chegaram ao mercado na década de 1990.
Hoje, as baterias de íon de lítio controlam cada vez mais o nosso mundo, desde telefones a dispositivos médicos, passando por veículos elétricos e satélites. Espera-se que a demanda por lítio aumente de cinco a dez vezes até 2030, de acordo com o Departamento de Energia dos EUA. O lítio já é relativamente escasso e, portanto, caro. A mineração é ambiental e geopoliticamente problemática. As baterias tradicionais de íon de lítio também apresentam problemas de segurança, com potencial de pegar fogo ou explodir.
Muitos pesquisadores buscam alternativas, tanto para o lítio quanto para os materiais utilizados como eletrólitos. Os eletrólitos de estado sólido são promissores em termos de estabilidade e segurança.
Resultados surpreendentes
O material recentemente descoberto que os cientistas do PNNL estão testando atualmente utiliza lítio e sódio, bem como alguns outros elementos, reduzindo assim consideravelmente o teor de lítio – possivelmente até 70%. Ainda estamos no início do processo – a química exata está sujeita a otimização e pode não funcionar quando testada em larga escala, adverte Abrahamson. Ele ressalta que a história aqui não é sobre esse material específico da bateria, mas sim sobre a velocidade com que um material foi identificado. Os cientistas dizem que o exercício em si é imensamente valioso e revelou algumas surpresas.
O material derivado de IA é um eletrólito de estado sólido. Os íons vão e voltam através do eletrólito, entre o cátodo e o ânodo, de preferência com resistência mínima.
Pensava-se que os íons de sódio e os íons de lítio não poderiam ser usados juntos em um sistema eletrolítico de estado sólido porque têm carga semelhante, mas têm tamanhos diferentes. Foi assumido que a parte estrutural de um material eletrolítico de estado sólido não poderia suportar o movimento de dois íons diferentes. Mas após os testes, diz Murugesan, “descobrimos que os íons de sódio e de lítio parecem ajudar uns aos outros”.
O novo material tem um bônus, diz Baker, porque sua estrutura molecular possui naturalmente canais integrados que ajudam ambos os íons a se moverem através do eletrólito.
O trabalho no novo material está nos estágios iniciais, mas “independentemente de ser uma bateria viável no longo prazo, a velocidade com que encontramos uma química viável para a bateria é bastante convincente”, diz Abrahamson.
Descobertas adicionais ainda são possíveis. Murugesan e sua equipe ainda não criaram e testaram a maioria dos outros novos candidatos a materiais sugeridos pelos modelos da Microsoft. A colaboração continua, com os químicos computacionais do PNNL aprendendo a usar as novas ferramentas, incluindo um copiloto treinado em química e outras publicações científicas.
“Com a Microsoft e o PNNL, esta é uma colaboração duradoura para acelerar a descoberta científica, trazendo o poder dessas mudanças de paradigma computacional, com a química e a ciência dos materiais que são uma marca registrada do Laboratório Nacional do Noroeste do Pacífico”, diz Abrahamson.
“Estamos à beira do amadurecimento dos modelos de inteligência artificial, do poder computacional necessário para treiná-los e torná-los úteis, e da capacidade de treiná-los em domínios científicos específicos com inteligência específica”, acrescenta. “Acreditamos que isso dará início a uma nova era de aceleração. Isso é emocionante, porque esses problemas são importantes para o mundo.”
Links Relacionados:
- Leia Desbloqueando uma nova era para descobertas científicas com IA: como a IA da Microsoft selecionou mais de 32 milhões de candidatos para encontrar uma bateria melhor
- Leia Azure Quantum Elements pretende compactar 250 anos de química nos próximos 25
- Saiba mais sobre os Elementos Quânticos do Azure
- Leia o comunicado de imprensa sobre o PNNL: Início da colaboração de três anos com armazenamento de energia e descoberta de materiais com a Microsoft
Imagem superior: Dan Thien Nguyen, um cientista de materiais do PNNL, monta uma célula tipo moeda com o eletrólito sólido sintetizado. Com ferramentas de IA orientando os pesquisadores, a síntese e os testes podem ser focados na direção certa em direção a melhores materiais para aplicações específicas. Foto de Dan DeLong para Microsoft.