Quantitative control and recording of materials-synthesis processes using an automated experimentation platform

A busca por construir melhores materiais — ligas mais fortes, baterias mais eficientes ou catalisadores mais inteligentes — tem dependido há muito tempo de um processo humano lento de tentativa e erro. Cientistas misturam produtos químicos, aquecem-nos e observam os resultados, esperando tropeçar em uma combinação que funcione. Mas as mãos humanas não são perfeitamente firmes, e as descrições humanas como "misturar lentamente" ou "adicionar até ficar turvo" estão sujeitas a interpretações. Quando um pesquisador diz "lentamente", outro pode querer dizer algo inteiramente diferente. Essa falta de precisão torna difícil repetir experimentos exatamente, o que é um grande obstáculo para o moderno campo da ciência dos materiais baseada em dados. Para ensinar computadores a prever novos materiais, os pesquisadores precisam de vastas quantidades de dados de alta qualidade, onde cada etapa do experimento seja registrada com números exatos. Se os dados forem imprecisos, as previsões do computador também serão imprecisas. O desafio, então, não é apenas construir máquinas que possam misturar produtos químicos, mas construir sistemas que possam medir e registrar os detalhes invisíveis do processo que os humanos frequentemente negligenciam.

Em um estudo recente, uma equipe de pesquisadores da Universidade de Tohoku, no Japão, enfrentou esse problema ao construir uma plataforma simples e de código aberto projetada para automatizar a mistura de soluções químicas com extrema precisão. Em vez de visar um robô totalmente autônomo que possa projetar e realizar qualquer experimento do zero, eles focaram em um objetivo mais prático: criar um sistema confiável que possa realizar uma tarefa específica repetidamente, registrando cada pequeno detalhe de como ela foi feita. Eles combinaram ferramentas comuns, como braços robóticos e pipetas elétricas, com peças feitas sob medida via impressão 3D e um sistema de câmera. Uma inovação fundamental foi o uso de um agente de inteligência artificial para escrever o código de computador que controla os robôs. Isso permitiu que o sistema fosse facilmente adaptado a diferentes configurações sem a necessidade de uma equipe de programadores especialistas. Os pesquisadores testaram essa plataforma sintetizando o ZIF-8, um tipo de estrutura metalorgânica, que é um material poroso útil para armazenamento de gases e catálise. O objetivo era ver se a máquina poderia controlar o processo de mistura melhor do que um humano e, mais importante, se ela poderia revelar como fatores específicos e difíceis de medir afetam o produto final.

O experimento envolveu a mistura de duas soluções líquidas para criar o material ZIF-8. Em um laboratório tradicional, um cientista poderia usar uma pipeta manual para adicionar a segunda solução à primeira. A velocidade com que eles apertam a pera da pipeta é geralmente uma questão de sensação, descrita em cadernos de laboratório apenas como "lenta" ou "rápida". Neste sistema automatizado, os pesquisadores usaram pipetas elétricas que podiam ser configuradas em nove níveis distintos de velocidade, variando de um despejo muito lento levando cerca de dez segundos a um despejo rápido levando menos de um segundo. Eles realizaram a síntese várias vezes, alternando entre as configurações mais lenta, média e mais rápida. Os resultados foram impressionantes. Embora a composição química do pó branco final fosse a mesma em todas as execuções, o tamanho das partículas mudava dramaticamente dependendo da velocidade com que o líquido era adicionado. Quando a solução era adicionada lentamente, as partículas resultantes eram maiores. Quando era adicionada rapidamente, as partículas eram menores. Essa relação era tão consistente que os pesquisadores podiam prever o tamanho das partículas simplesmente conhecendo a configuração de velocidade usada durante a mistura.

O que tornou essa descoberta possível foi a capacidade do sistema de quantificar uma variável que é geralmente ignorada. Em experimentos manuais, a velocidade de adição raramente é medida ou registrada; é apenas uma parte vaga do procedimento. Como não era rastreada, seu efeito sobre o material ficava oculto. A plataforma automatizada, no entanto, tratou a velocidade de dispensação como um número preciso, tal como a temperatura ou o peso. Ao registrar esse número todas as vezes, os pesquisadores puderam provar que a velocidade de mistura era um fator dominante na determinação do tamanho final das partículas. Eles confirmaram isso medindo o tamanho das partículas com equipamentos especializados e descobriram que a tendência se mantinha em execuções repetidas. O sistema também capturou imagens da mistura conforme ela se formava, mostrando como a suspensão branca assentava de forma diferente dependendo da velocidade, fornecendo um registro visual que correspondia aos dados numéricos. Esse nível de detalhe revelou que as instruções "lento" e "rápido" nos antigos manuais de laboratório estavam, na verdade, controlando a física fundamental de como os cristais se formavam, um detalidade que anteriormente se perdia na tradução.

O estudo também demonstrou que esse nível de controle e registro poderia ser alcançado sem a construção de um super-robô complexo e caro. Todo o aparato foi construído usando componentes comercialmente disponíveis e suportes impressos em 3D, com todos os arquivos de design e o código de computador disponibilizados gratuitamente para outros cientistas. Essa abordagem reduz a barreira para que outros laboratórios adotem automações semelhantes. Ao compartilhar as plantas e o software, os pesquisadores esperam incentivar uma mudança na forma como os experimentos são conduzidos. Em vez de depender da intuição de um único especialista, a comunidade científica pode avançar em direção a processos padronizados e altamente reproduzíveis, onde cada variável é conhecida e registrada. Os pesquisadores observaram que, embora o sistema não substituísse inteiramente o julgamento humano, ele lidou com sucesso com as tarefas repetitivas e de precisão crítica que os humanos têm dificuldade em realizar de forma consistente. Essa cooperação entre a supervisão humana e a precisão da máquina permite a coleta do tipo de dados de alta qualidade necessários para treinar modelos de inteligência artificial para descobrir novos materiais de forma mais rápida e confiável do que nunca.

Em última análise, o trabalho mostra que o caminho para melhores materiais pode não residir em robôs mais complexos, mas em melhores dados. Ao transformar instruções vagas em números exatos, os pesquisadores descobriram uma ligação direta entre como um produto químico é misturado e como o material final se parece. Eles provaram que a velocidade de adição de um líquido não é apenas um detalor menor, mas uma alavanca poderosa para controlar as propriedades de um material. Essa descoberta sugere que muitos outros materiais podem ter dependências ocultas de detalhes de processo que foram negligenciados por décadas. Com uma plataforma capaz de registrar esses detalhes automaticamente, os cientistas podem começar a construir uma biblioteca abrangente de como os materiais são feitos, pavimentando o caminho para um futuro onde o design de novas substâncias seja guiado por dados precisos e reproduzíveis, em vez de suposições. O estudo conclui que o futuro da ciência dos materiais depende de capturar a história completa do experimento, não apenas o resultado final, e que a automação simples e transparente é a chave para escrever essa história com clareza.