The Precursor Genome: A Pairwise Reaction Dataset for Solid-State Synthesis

Resumo Técnico: O Genoma de Precursores

Definição do Problema
As reações no estado sólido permanecem como o principal método para a síntese de materiais inorgânicos, contudo, a área carece de um conjunto de dados em larga escala e legível por máquina que reporte protocolos experimentais e resultados com proveniência consistente. A literatura existente é tendenciosa em relação a rotas bem-sucedidas, frequentemente omite ensaios negativos e falha em preservar os registros brutos de manuseio de amostras e dados de caracterização necessários para uma verdadeira reprodutibilidade. Esta lacuna de dados obstrui a aplicação de abordagens de primeira ordem, baseadas em dados e de aprendizado de máquina para a ciência da síntese. Embora métodos computacionais possam prever milhões de compostos termodinamicamente estáveis, sua realização experimental permanece um gargalo devido à ausência de dados de síntese sistemáticos e de alta fidelidade.

Metodologia
Para enfrentar este problema, os autores utilizaram o A-Lab, um laboratório autônomo de condução própria, para gerar o "Genoma de Precursores", um conjunto de dados de 1.035 reações de estado sólido pareadas.

• Design Experimental: O estudo envolveu 46 precursores inorgânicos comuns abrangendo 39 elementos, com foco em materiais relevantes para o armazenamento de energia eletroquímica. Os reagentes foram obtidos da Sigma-Aldrich (geralmente com pureza $\ge$ 99%). Seis precursores foram excluídos devido à higroscopia ou questões de segurança.
• Protocolo de Síntese: As reações foram realizadas em proporções estequiométricas visando produtos binários hipotéticos (razão de cátion metálico 1:1). O A-Lab executou um fluxo de trabalho de três estágios: preparação do precursor (dispensação, pesagem, mistura de suspensão com etanol, secagem), aquecimento e recuperação da amostra.
  • Aquecimento: A temperatura de permanência ($T_t$) foi determinada pela regra de Tammann ($T_t \approx \frac{2}{3} \min(T_{m,1}, T_{m,2})$), arredondada para baixo para a centena de graus mais próxima, com limites entre 200°C e 1.100°C. Um perfil padrão incluiu aquecimento até 300°C, rampa até a temperatura alvo, uma permanência de 1 hora e resfriamento não controlado.
  • Caracterização: Os pós recuperados foram analisados via difração de raios X de pó (XRD) usando um difratômetro Malvern Panalytical Aeris (Cu K$\alpha$, 10–100° 2$\theta$). Os precursores também foram caracterizados via Microscopia Eletrônica de Varredura (SEM) e Espectroscopia de Energia Dispersiva de Raios X (EDS).
• Processamento e Validação de Dados:
  • Análise Automatizada: Os padrões de XRD foram processados usando o framework Dara, um pipeline automatizado de identificação de fases e refinamento construído sobre o núcleo BGMN. O Dara classifica conjuntos de fases candidatas a partir do Inorganic Crystal Structure Database (ICSD) e Crystallography Open Database (COD) com base em métricas de qualidade de ajuste (Rwp).
  • Verificação Humana: Cada refinamento foi independentemente validado por especialistas humanos em uma escala de qualidade de três níveis (1: ajuste excelente; 2: bom ajuste com discrepâncias menores; 3: ajuste pobre). Desacordos foram arbitrados por um terceiro especialista.
  • Estrutura de Dados: O conjunto de dados é organizado como um livro-razão JSON hierárquico, validado por Pydantic (ledger_precursor_genome.json). Ele vincula propriedades de precursores, metadados de síntese (perfis térmicos, massas), varreduras brutas de XRD (1.351 no total) e 1.950 casos de refinamento.

Principais Contribuições e Resultados
O artigo apresenta o Genoma de Precursores como um benchmark abrangente e FAIR (Findable, Accessible, Interoperable, Reusable) para a síntese de estado sólido.

• Escopo do Conjunto de Dados: O conjunto de dados contém 1.035 resultados de reações envolvendo 46 precursores. Ele inclui explicitamente dados "negativos" (reações falhas ou lentas) e formações de fases intermediárias, capturadas via tempos de permanência curtos de 1 hora.
• Resultados das Reações: Os resultados validados por especialistas são categorizados em quatro termos de vocabulário controlado:
  1. Completamente reagido: Fase alvo formada sem precursores detectáveis.
  2. Parcialmente reagido: Fase alvo formada juntamente com precursores residuais.
  3. Transformado: Precursores decompostos ou reagidos para formar variantes de fases, mas a fase alvo não se formou.
  4. Não reagido: Apenas as fases originais dos precursores observadas.
     (Falhas físicas, como amostras líquidas, também são registradas).
• Acessibilidade dos Dados: O conjunto de dados completo, incluindo arquivos .xrdml brutos, objetos de refinamento serializados (.pkl) e gráficos interativos, está disponível no Zenodo e GitHub sob uma licença CC BY 4.0. A estrutura de dados é definida por um esquema Pydantic, garantindo a legibilidade por máquina e a rastreabilidade desde o par de precursores até a atribuição da fase final.

Significância
Os autores afirmam que o Genoma de Precursores estabelece uma base necessária para treinar e avaliar modelos preditivos de reatividade de estado sólido. Ao fornecer um mapa transparente e legível por máquina de acessibilidade sintética que inclui tanto resultados positivos quanto negativos, o conjunto de dados visa preencher a lacuna entre as previsões computacionais e a realização experimental. Serve como um benchmark padronizado para superar os vieses de relato da literatura tradicional, permitindo o desenvolvimento de fluxos de trabalho autônomos e orientados por dados para a descoberta de materiais. O trabalho não propõe novos algoritmos de síntese ou aplicações futuras específicas, mas fornece a infraestrutura essencial (dados e esquema) necessária para que a comunidade desenvolva tais ferramentas.