Desenvolvimento de Modelos Generativos de Aprendizado de Máquina para Design de Materiais para Aplicações Fotovoltaicas

• Processo: 23/17435-1
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de março de 2024
• Data de Término da vigência: 28 de fevereiro de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Juarez Lopes Ferreira da Silva
• Beneficiário: Douglas Willian Duarte de Vargas
• Instituição Sede: Instituto de Química de São Carlos (IQSC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Empresa: Universidade de São Paulo (USP). Instituto de Química de São Carlos (IQSC)
• Vinculado ao auxílio: 17/11631-2 - CINE: desenvolvimento computacional de materiais utilizando simulações atomísticas, meso-escala, multi-física e inteligência artificial para aplicações energéticas, AP.PCPE
• Assunto(s): Aprendizado computacional Materiais bidimensionais Perovskita
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Materiais bidimensionais | Materiais fotovoltáicos | Modelos Generativos | perovskita | Desenvolvimento de algoritmos generativos para predição de novos materiais

Resumo

Este projeto explora novas fronteiras na ciência dos materiais por meio da aplicação de algoritmos generativos, visando uma descoberta eficiente de materiais. O vasto e em grande parte inexplorado espaço químico apresenta desafios na identificação precisa de sistemas periódicos e não periódicos, na seleção de representações e na integração de bancos de dados. Aproveitando novas técnicas computacionais, como Redes Neurais Gráficas (GNN), o estudo visa gerar e validar novos candidatos para células fotovoltaicas em estruturas tridimensionais (3D) e bidimensionais (2D). O projeto ocorrerá ao longo de seis semestres, concentrando-se nos seguintes objetivos-chave: explorar algoritmos generativos no contexto molecular, estudar a eficiência de representações de sistemas periódicos 3D para inteligência artificial generativa, aprimorar algoritmos generativos usando único e múltiplos \textit{datasets} por meio de fusão de dados e aprendizado por transferência, e aplicar modelos generativos para a descoberta e otimização de perovskita e materiais 2D com foco em aplicações fotovoltaicas e optoeletrônicas. Superar desafios na identificação precisa de sistemas diversos e na otimização de representações é crucial para o sucesso de algoritmos generativos. Os resultados esperados envolvem o desenvolvimento de modelos eficientes de aprendizado de máquina generativo, oferecendo uma abordagem mais rápida e eficiente para a descoberta de materiais. Como resultados esperados deseja-se contribuir para o avanço da ciência dos materiais, promovendo recurso humano qualificado em aprendizado de máquina para a ciência dos materiais e complementando pesquisas existentes dentro do grupo QTNano e CINE.