Na busca pelo design de novos materiais, cientistas frequentemente dependem de uma ferramenta poderosa, mas computacionalmente dispendiosa, chamada teoria do funcional da densidade. Este método atua como um microscópio virtual, calculando como os elétrons se organizam em torno dos átomos para determinar as propriedades de um material, como sua resistência, condutividade ou capacidade de conduzir calor. Embora precisa, esses cálculos são tão lentos que testar mesmo alguns milhares de estruturas candidatas pode levar anos. Para acelerar o processo, pesquisadores recorreram à inteligência artificial, especificamente a um tipo de modelo conhecido como rede neural de grafos. Essas redes tratam um cristal não como uma grade de números, mas como um mapa de conexões, onde os átomos são pontos e as ligações entre eles são linhas. Ao aprender com milhares de cristais conhecidos, esses mapas podem prever propriedades em uma fração de segundo. No entanto, por anos, esses modelos de IA foram frágeis, exigindo bibliotecas de software especializadas que frequentemente quebravam quando o hardware do computador era atualizado, e eram limitados a prever apenas uma coisa de cada vez, forçando os cientistas a executar modelos separados e desconectados para diferentes tarefas.

Uma equipe de pesquisadores introduziu agora um novo framework unificado chamado ALIGNN 2.0, que resolve esses problemas ao reconstruir todo o sistema do zero usando apenas componentes de software padrão e amplamente disponíveis. Essa nova abordagem elimina a necessidade de bibliotecas especializadas e difíceis de manter, tornando os modelos mais fáceis de instalar e executar nos chips de computador mais recentes. Mais importante ainda, ela unifica todo o fluxo de trabalho: um único modelo pode agora prever uma vasta gama de propriedades diferentes a partir de uma única estrutura cristalina, variando de números simples como energia a formas complexas como espectros de vibração e até mesmo as forças que mantêm os átomos unidos. Isso permite que os cientistas simulem como um material se move e muda ao longo do tempo, uma tarefa que anteriormente exigia um tipo completamente diferente de modelo. Os pesquisadores descobriram que, embora uma forma específica de conectar átomos funcione melhor para prever propriedades estáticas, um método de conexão ligeiramente diferente é essencial para simular o movimento sem violar as leis da física. Ao dominar ambos, o novo sistema pode realizar a triagem de milhões de materiais para supercondutores, prever como eles vibrarão quando aquecidos e até gerar estruturas cristalinas inteiramente novas que ainda não existem.

O cerne desta conquista reside em como o modelo "vê" o material. Modelos tradicionais frequentemente olham para os átomos e as linhas retas que os conectam, mas este novo sistema adiciona uma segunda camada de visão: um mapa dos ângulos entre essas linhas. Isso permite que a IA compreenda a geometria tridimensional do cristal, o que é crucial para prever propriedades como a forma como um material se dobra sob pressão ou como ele conduz eletricidade. Os pesquisadores testaram este novo framework contra trinta tarefas diferentes, desde a previsão da energia necessária para remover uma camada de um material até o cálculo da temperatura na qual uma substância se torna um supercondutor. Em vinte e seis desses testes, o novo modelo superou as versões anteriores mais avançadas, mostrando melhorias significativas na previsão de respostas complexas como a piezoelectricidade, que é a capacidade de um material gerar eletricidade quando comprimido. O sistema também foi capaz de prever o espectro completo de luz que um material absorve ou emite, correspondendo aos resultados de simulações físicas tradicionais muito mais lentas.

Além de simplesmente prever o que um material conhecido fará, os pesquisadores demonstraram que este framework pode trabalhar de forma reversa para inventar novos materiais. Ao alimentar o modelo com uma composição química desejada e uma propriedade alvo, como uma temperatura de supercondução específica, o sistema pode gerar uma lista de estruturas cristalinas candidatas que possam possuir essas características. Em testes envolvendo mais de cem mil materiais potenciais, o sistema identificou com sucesso supercondutores de alta temperatura conhecidos e previu seu comportamento com alta precisão. Ele foi ainda um passo além ao prever a forma completa da interação elétron-fônon, um mapa detalhado de como elétrons e vibrações atômicas interagem, o que é essencial para entender a supercondução. Essa capacidade permite que os pesquisadores realizem a triagem de vastos bancos de dados de materiais e encontrem candidatos promissores para aplicações no mundo real sem a necessidade de sintetizá-los primeiro.

O poder desta abordagem unificada torna-se ainda mais claro ao observar como ela lida com o movimento físico dos átomos. Modelos anteriores podiam prever a energia de um cristal estático, mas frequentemente falhavam quando solicitados a simular o movimento do cristal, porque suas previsões saltavam erraticamente conforme os átomos se deslocavam levemente. O novo modelo ALIGNN 2.0, no entanto, produz previsões suaves e contínuas que conservam a energia, permitindo que ele conduza simulações realistas de como os materiais se comportam sob estresse ou em altas temperaturas. Os pesquisadores testaram isso simulando o comportamento do silício e de outros materiais, descobrindo que o modelo permaneceu estável durante longos períodos, um requisito crítico para qualquer ferramenta usada para projetar dispositivos do mundo real. Essa estabilidade significa que o mesmo modelo pode ser usado para relaxar uma estrutura ao seu estado de menor energia, calcular suas forças e, em seguida, usar imediatamente essas forças para simular como ela vibraria ou conduziria calor, tudo dentro de um fluxo de trabalho único e contínuo.

As implicações deste trabalho estendem-se à própria maneira como os cientistas observam os materiais. Os pesquisadores mostraram que o mesmo modelo poderia prever não apenas a estrutura e a energia, mas também as imagens detalhadas que apareceriam em um microscópio eletrônico. Ao calcular como os átomos vibram à temperatura ambiente, o sistema pôde simular os pontos brilhantes e borrados vistos em imagens de alta resolução de átomos pesados, correspondendo aos resultados de simulações físicas complexas. Isso cria um ciclo fechado onde um modelo pode prever uma estrutura, simular como ela pareceria sob um microscópio e, em seguida, usar essa imagem simulada para verificar as propriedades da estrutura. A equipe também aplicou isso ao design de dispositivos complexos, como junções de túnel magnético usadas em memória de computador, onde o modelo previu com sucesso o comportamento magnético e elétrico de múltiplas camadas de diferentes materiais empilhados.

Uma das descobertas mais significativas do estudo é a descoberta de que a melhor maneira de conectar átomos no modelo depende da tarefa em questão. Para prever propriedades estáticas como energia ou gaps de banda, um método que conecta cada átomo aos seus oito vizinhos mais próximos funcionou melhor, proporcionando uma visão mais ampla da estrutura circundante. No entanto, para simular movimento e forças, esse método causava problemas porque a lista de vizinhos mudaria subitamente conforme os átomos se moviam, criando saltos irreais de energia. Os pesquisadores descobriram que o uso de um método baseado em uma distância fixa, onde os átomos são conectados se estiverem dentro de um certo alcance, forneceu as transições suaves necessárias para simulações de movimento precisas. Embora esse método baseado em distância fosse ligeiramente menos preciso para previsões estáticas, era o único que poderia lidar com ambas as tarefas simultaneamente sem falhar. Esse compromisso destaca um insight fundamental: a escolha de como representar a geometria do material é tão importante quanto o próprio algoritmo de aprendizado.

Os pesquisadores também exploraram se adicionar uma camada extra de informação sobre ângulos de ligação, separada da estrutura principal, melhoraria a capacidade do modelo de gerar novos cristais. Eles descobriram que, embora essa informação extra ajudasse o modelo a aprender a geometria dos ângulos, ela não melhorava consistentemente o resultado final quando combinada com o mapa estrutural principal. Em alguns casos, as duas fontes de informação até conflitavam, sugerindo que o mapa principal já continha detalhes suficientes sobre os ângulos. Esses testes cuidadosos de diferentes componentes garantem que o modelo final não seja apenas uma coleção de características, mas um sistema otimizado onde cada parte serve a um propósito claro. O resultado é uma ferramenta que é não apenas mais precisa, mas também mais eficiente, capaz de rodar em hardware padrão e escalar para sistemas com centenas de milhares de átomos.

No fim, este trabalho representa uma mudança de construir ferramentas especializadas de propósito único para criar um framework versátil e completo. Ao unificar a previsão de propriedades, forças e espectros, e ao permitir a geração de novas estruturas, os pesquisadores forneceram uma nova e poderosa maneira de explorar o vasto panorama de possíveis materiais. O sistema já está sendo usado para realizar a triagem de enormes bancos de dados de materiais conhecidos e hipotéticos, identificando candidatos para supercondutores, baterias e outras tecnologias. Como o modelo é construído sobre software padrão e pode rodar nos chips de computador mais recentes, ele é acessível a uma ampla gama de cientistas, potencialmente acelerando a descoberta de novos materiais que podem resolver alguns dos desafios mais urgentes de energia e tecnologia do mundo. A capacidade de prever como um material se comportará, como ele vibrará e até como parecerá sob um microscópio, tudo a partir de um único modelo unificado, marca um passo significativo à frente no campo da descoberta computacional de materiais.