A green solvent screening tool for emerging materials via uncertainty aware, transformer enhanced transfer learning

Resumo Técnico: Triagem de Solventes Verdes via Aprendizado por Transferência com Consciência de Incerteza

Definição do Problema
A previsão precisa da solubilidade de solventes permanece um desafio central na ciência dos materiais e na química sustentável. À medida que tecnologias emergentes, como fotovoltaicos orgânicos/híbridos, baterias e catálise, intensificam sua produção, o uso de solventes deve aumentar significativamente, tornando necessária a substituição de solventes tradicionais por alternativas mais verdes. No entanto, a eficácia do aprendizado de máquina (ML) neste domínio é severamente limitada pela escassez de dados experimentais para parâmetros de solubilidade críticos. Embora existam bases de dados extensas para parâmetros de solubilidade de Hansen ($\delta_d, \delta_p, \delta_h$) e constantes dielétricas ($\varepsilon_r$), os dados para outros descritores vitais — especificamente os números de Doação/Aceitação de Gutmann (DN, AN) e os parâmetros solvatocrômicos de Kamlet-Taft ($\alpha, \beta, \pi^*$) — são extremamente escassos, variando de centenas a meras dezenas de entradas. Essa escassez de dados leva ao sobreajuste (overfitting) em modelos convencionais e limita a generalização necessária para uma descoberta de materiais robusta.

Metodologia
Os autores propõem um pipeline de aprendizado por transferência projetado para prever um vetor de nove parâmetros de solubilidade para mais de 5.000 Compostos Orgânicos Voláteis (VOCs) com requisitos mínimos de dados de treinamento. A arquitetura integra três componentes principais:

1. Modelo Fundamental (DimeNet): O pipeline utiliza uma Rede Neural de Passagem de Mensagem Direcional (DimeNet) pré-treinada, originalmente treinada no conjunto de dados QM9 (134.000 pequenas moléculas orgânicas) para prever propriedades químico-quânticas. Em vez de usar a saída escalar da DimeNet, os autores extraem um vetor de tamanho fixo da penúltima camada (uma soma por coluna da matriz de interação), que contém uma densidade maior de informação molecular adequada para o aprendizado por transferência.
2. Descritores Moleculares: Para complementar as características de aprendizado profundo, o modelo incorpora descritores moleculares $n$-dimensionais derivados do banco de dados OCHEM. Esses descritores destilam a intuição química humana (ex: grupos atômicos específicos) e são selecionados com base em baixa autocorrelação e alta correlação com os parâmetros alvo.
3. Regressão com Consciência de Incerteza (Processos Gaussianos): A camada final emprega um regressor de Processos Gaussianos (GP). Este serve duas funções críticas: fornece previsões robustas mesmo em conjuntos de dados esparsos, ao alavancar distribuições a priori para evitar o sobreajuste, e quantifica a incerteza das previsões via intervalos de confiança.
4. Melhoria por Transformer: Para parâmetros específicos, uma camada de transformer é inserida entre o vetor concatenado DimeNet/descritor e o GP para realizar ajustes de valor baseados em atenção, refinando ainda mais a previsão.

O pipeline é treinado para minimizar a log-verossimilhança negativa. Para a classificação de solventes, os autores definem uma métrica de distância euclidiana ponderada ($\hat{R}^2$) que compara um solvente candidato a um solvente de referência. Os pesos podem ser customizados conforme a aplicação específica (ex: priorizando DN/AN para soluções de perovskita iônica) ou definidos automaticamente com base no desempenho de $R^2$ do modelo.

Principais Contribuições

• Aumento de Dados: O trabalho aumenta com sucesso os dados disponíveis para descritores de solubilidade em até duas ordens de magnitude (especificamente um fator de 4 para parâmetros de Hansen e até 100 para outros como DN/AN) com previsões de alta qualidade.
• Quantificação de Incerteza: Diferente de muitos preditores de solubilidade existentes, este pipeline fornece explicitamente estimativas de incerteza, permitindo que experimentalistas avaliem a confiança das previsões e identifiquem lacunas de conhecimento.
• Ferramenta de Triagem Customizável: Os autores implementaram uma aplicação Streamlit leve e de código aberto (kouter) que permite triar mais de 5.000 VOCs. A ferramenta suporta ponderação personalizada de parâmetros de solubilidade, filtragem de incerteza e triagem de símbolos de perigo (GHS H3xx/H4xx) para identificar alternativas "verdes".
• Robustez em Dados Esparsos: O estudo demonstra que o aprendizado por transferência a partir de modelos fundamentais permite previsões de alto desempenho mesmo em conjuntos de dados com menos de 50 pontos, um regime onde modelos convencionais normalmente falham.

Resultados
O pipeline foi validado usando validação cruzada $n$-fold (5-fold para grandes conjuntos de dados, 10-fold para conjuntos esparsos).

• Desempenho: O pipeline completo superou significativamente um modelo de linha de base que utilizava apenas Processos Gaussianos e descritores moleculares. O Erro Quadrático Médio Relativo (RRMSE) melhorou aproximadamente 50% em média entre os parâmetros.
• Ganhos Específicos: As melhorias mais dramáticas foram observadas nos parâmetros com menos dados. Para os Números de Doação de Gutmann, o RRMSE melhorou em 84,83% (de 0,865 para 0,458), e para a Ligação de Hansen ($\delta_h$), em 66,67%.
• Validação Qualitativa: Em um teste de triagem "top-1" de solventes industriais comuns (ex: Diclorometano, NMP, Metanol), a ferramenta identificou substitutos verdes plausíveis. Notavelmente, previu corretamente a Gamma-Valerolactona (GVL) como um substituto para a N,N-Dimetilformamida (consistente com a literatura de células solares de perovskita) e o Dimetilsulfona para o Etileno Carbonato (consistente com a literatura de eletrólitos de bateria). A ferramenta também propôs candidatos novos, como o 1,4-Dihidronaftaleno para o Tolueno, embora os autores notem que estes requerem validação experimental quanto à reatividade e estabilidade.

Significância e Alegações
O artigo posiciona este trabalho como uma "primeira e poderosa prova de conceito" para o aproveitamento de modelos fundamentais pré-treinados na descoberta de materiais onde os dados são escassos. Os autores alegam que sua abordagem oferece um framework versátil e leve que pode ser implantado em computadores pessoais, tornando o aprendizado de máquina avançado acessível a grupos sem infraestrutura computacional especializada.

A significância reside na capacidade de fornecer "decisões informadas por dados" para a substituição de solventes, potencialmente acelerando o lançamento de tecnologias de energia emergentes (como PV de perovskita e baterias) ao identificar alternativas de solventes ecologicamente corretos. Os autores enfatizam que a ferramenta foi projetada para fins de pesquisa e descoberta; ela não é um substituto para fichas de segurança (SDS) ou decisões laboratoriais práticas. Ao combinar o conhecimento químico especializado (descritores) com o aprendizado baseado em dados (transfer learning e GPs), o pipeline preenche a lacuna entre a previsão teórica e a aplicação prática na química sustentável. Trabalhos futuros visam integrar modelos fundamentais mais recentes (ex: MACE, NequIP) e expandir o escopo para outras propriedades químicas esparsas, como transporte de carga ou caminhos de reação.