Como pesquisas com IA facilitam busca por baterias com carregamento mais rápido
Inteligência Artificial ajuda a filtrar novas moléculas candidatas como eletrodos e que possuem maior estabilidade e duração de vida
Combinar moléculas e filtrar as possibilidades de geração de novos compostos de forma mais rápida já é uma realidade por meio da pesquisa com Inteligência Artificial. É o caso dos estudos com líquidos iônicos, conduzidos com IA por pesquisadores do Centro de Inovação em Novas Energias (Cine).
Esses líquidos, utilizados em baterias e supercapacitores devido à sua alta condutividade elétrica, são uma aposta na otimização por meio das novas tecnologias. A IA ajuda a filtrar novas moléculas candidatas como eletrodos e que possuem maior estabilidade e duração de vida.
"Mais bateria, com carregamento mais rápido e mais seguro. Todas essas são características que o consumidor espera que um dia essas baterias possam ter e funcionar, de forma segura no seu veículo e também nos dispositivos eletrônicos", diz Juarez Silva, coordenador do Grupo de Teoria Quântica de Nanomateriais (QTNano), do Instituto de Química de São Carlos da USP e Coordenador do Centro de Inovação em Novas Energias do Cine.
Células solares de alto desempenho
A partir de ferramentas computacionais, uma equipe do Cine avaliou 72 compostos conhecidos como metais de transição dicalcogenados (TMDs, na sigla em inglês) e identificou três que reúnem todas as condições necessárias para aplicação em células solares de alto desempenho, que seriam estabilidade, comportamento semicondutor, boa absorção da luz solar e boa eficiência na conversão da luz em eletricidade
Os cálculos foram realizados no IQSC-USP e as simulações foram feitas no supercomputador Santos Dumont, do Laboratório Nacional de Computação Científica.
Estudos como esses, segundo o professor Marcos Quiles, do Departamento de Ciência e Tecnologia da Universidade Federal de São Paulo (Unifesp), demandam menos tempo e recursos do que se tivessem sido feitos a partir de experimentos um a um, com base na análise humana.
Bancos de dados de moléculas treinam novos modelos de IA
A vantagem da técnica utilizada no QTNano é criar diversos bancos de dados para que os algoritmos interpolem e tentem prever a formação de novas combinações de moléculas que podem dar origem a materiais de interesse. Segundo os pesquisadores, o foco é na geração de energia renovável.
"Nós temos também o estudo de materiais para a aplicações energéticas, com o aprimoramento do processo de eletrocatálise e da produção de hidrogênio a partir da água", aponta o professor Juarez Silva, da USP São Carlos.
Os pesquisadores têm se debruçado no desenvolvimento e aplicação de algoritmos de aprendizado de máquina e análise inteligente em grandes conjuntos de dados de propriedades de materiais, em tarefas de predição de propriedades e descoberta de conhecimentos que possibilitem a triagem de novos materiais em larga escala.
Para isso, pretende-se aplicar esses algoritmos em repositórios de dados públicos, bem como conjuntos de dados coletados a partir de cálculos de propriedades químico-quânticas.
O Cine também tem investigado a modelagem computacional dos processos fundamentais envolvidos na captura de CO2 da atmosfera e sua conversão em produtos.
-s1b5yknlpzza.jpg)
-r178witgbucj.jpg)
