Energetically Driven Structure Matching for Autonomous Total X-ray Scattering Experiments

Na busca moderna para descobrir novos materiais, os cientistas estão voltando cada vez mais para laboratórios que funcionam sozinhos. Esses "laboratórios autônomos" usam robôs para misturar produtos químicos, computadores poderosos para analisar resultados e inteligência artificial para decidir o que fazer a seguir, tudo em um ciclo contínuo. O objetivo é acelerar o processo de encontrar materiais com propriedades específicas, como baterias melhores ou catalisadores mais eficientes. No entanto, um obstáculo significativo permanece: saber exatamente o que o robô realmente criou. Quando uma máquina sintetiza uma partícula minúscula, o computador pode prever uma forma perfeita, mas a partícula real pode ser ligeiramente diferente devido às realidades caóticas do calor, da tensão superficial e do estresse atômico. Se o sistema não conseguir ler com precisão a estrutura real do material que acabou de fabricar, ele não poderá aprender de forma eficaz nem guiar o próximo passo com precisão. Esse hiato entre o modelo idealizado do computador e a realidade física do átomo é onde o próximo avanço na ciência autônoma deve acontecer.

Uma equipe de pesquisadores da Universidade Técnica da Dinamarca e da Universidade de TI de Copenhague desenvolveu uma nova maneira de preencher esse hiato, especificamente para experimentos envolvendo nanopartículas de ouro. Essas partículas minúsculas, muitas vezes com apenas alguns nanômetros de largura, são cruciais para muitas tecnologias, mas seu arranjo interno de átomos determina como elas se comportam. Os pesquisadores focaram em uma técnica chamada espalhamento total de raios X, onde um feixe de raios X atinge as partículas e rebate em um padrão que revela sua estrutura atômica. Em experimentos autônomos anteriores, o sistema comparava o padrão de raios X experimental com uma biblioteca de padrões gerados por computador baseados em formas geométricas perfeitas, como esferas ou octaedros. Embora rápido, esse método frequentemente levava a erros. O computador dizia ao robô que havia fabricado uma forma específica, apenas para descobrir mais tarde que a partícula era, na verdade, de um tamanho ou forma diferente porque o modelo do computador ignorou como os átomos se deslocam e se esticam quando estão livres na superfície de uma partícula minúscula.

Para resolver isso, a equipe introduziu um método que traz energia e calor para os modelos computacionais. Em vez de apenas observar formas estáticas e perfeitas, eles usaram um programa de computador sofisticado baseado em aprendizado de máquina para simular como os átomos nas partículas de ouro realmente relaxariam e se moveriam. Eles testaram três níveis de detalhamento. O primeiro foi a forma simples e idealizada, que é rápida de calcular, mas frequentemente errada. O segundo envolveu deixar o computador "relaxar" os átomos, permitindo que eles se deslocassem para uma posição de menor energia e mais estável, o que corrigiu muitos dos erros de tamanho. O terceiro, e mais detalhado nível, envolveu simular as partículas como se estivessem vibrando com o calor, criando uma nuvem dinâmica de formas possíveis em vez de uma única imagem congelada. Quando compararam essas três abordagens com dados reais de raios X de nanopartículas de ouro, os resultados foram claros. Os modelos simples subestimaram consistentemente o tamanho das partículas e às vezes confundiram uma forma com outra. Os modelos que levaram em conta o relaxamento atômico foram muito melhores, mas os modelos que incluíram o movimento térmico dos átomos coincidiram quase perfeitamente com os dados experimentais reais.

Os pesquisadores descobriram que os modelos simples falharam porque tratavam as partículas como blocos rígidos, ignorando o fato de que os átomos de superfície são menos restritos e frequentemente puxam para dentro ou se deslocam para aliviar o estresse. Essa distorção altera a forma como os raios X se espalham, levando o computador a adivinhar o tamanho ou a forma errados. Ao usar os modelos aprendidos por máquina para contabilizar esses deslocamentos, o sistema pôde distinguir entre formas semelhantes, como um decaedro (uma forma de dez lados) e um octaedro (uma forma de oito lados), que os modelos simples frequentemente confundiam. Além disso, a equipe descobriu que simular as partículas no vácuo a uma temperatura ligeiramente inferior produziu resultados quase idênticos aos de simular em água, o que é uma grande vantagem prática. Isso significa que o computador pode executar essas simulações complexas e conscientes do calor muito mais rapidamente sem precisar modelar o líquido circundante, tornando o processo viável para uso em tempo real.

Para fazer esse alto nível de precisão funcionar dentro dos limites de tempo apertados de um experimento autônomo, a equipe desenhou uma estratégia de "funil". Imagine um processo que começa com uma rede ampla e se estreita rapidamente para os candidatos mais promissores. Primeiro, o sistema usa os modelos simples e rápidos para escanear uma ampla gama de possibilidades e identificar algumas formas e tamanhos prováveis. Em seguida, ele pega apenas esses principais candidatos e executa as simulações de relaxamento mais detalhadas e conscientes da energia para refinar a lista. Finalmente, aplica os modelos de simulação de calor, que são computacionalmente mais caros, apenas às melhores opções restantes. Essa abordagem hierárquica permite que o sistema obtenha a informação estrutural mais precisa possível sem esperar horas para o computador terminar. Em testes, este método conseguiu identificar a estrutura de melhor ajuste dentro de uma janela de quinze minutos, um intervalo de tempo que corresponde ao ciclo de um experimento de síntese autônomo do mundo real.

As implicações deste trabalho estendem-se para além das nanopartículas de ouro. Ao provar que o ajuste de estrutura impulsionado pela energia pode ocorrer em paralelo com a síntese, os pesquisadores mostraram um caminho para laboratórios que não apenas seguem um plano pré-estabelecido, mas que podem adaptar seus objetivos com base no que realmente encontram. Se o sistema perceber que uma forma específica é impossível de fabricar sob as condições atuais, ou que uma forma ligeiramente diferente é energeticamente mais estável, ele pode atualizar seu alvo em tempo real. Isso move a ciência autônoma de simplesmente tentar atingir um alvo estático para explorar o panorama do que é fisicamente possível. O estudo demonstra que, ao combinar a triagem rápida com simulações direcionadas de alta fidelidade, os cientistas podem finalmente dar aos laboratórios autônomos a capacidade de enxergar a verdadeira estrutura atômica dos materiais que criam, transformando um palpite cego em uma decisão clara e informada.