Engenharia reversa de materiais por inteligência artificial: dos foundation models às funcionalidades

• Processo: 24/22392-2
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Data de Início da vigência: 01 de junho de 2025
• Data de Término da vigência: 31 de maio de 2029
• Área de conhecimento: Ciências Exatas e da Terra - Física - Física da Matéria Condensada
• Pesquisador responsável: Gabriel Ravanhani Schleder
• Beneficiário: Pedro Henrique Machado Zanineli
• Instituição Sede: Centro Nacional de Pesquisa em Energia e Materiais (CNPEM). Ministério da Ciência, Tecnologia e Inovação (Brasil). Campinas , SP, Brasil
• Assunto(s): Aprendizado computacional Inteligência artificial Simulação por computador
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Descoberta e Design de Materiais | Foundation Model | Inteligência Artificial | Simulação Computacional | teoria do funcional da densidade (DFT) | Simulação Computacional e Inteligência Artificial

Resumo

O avanço tecnológico de diversos setores produtivos depende hoje da ciência de materiais para descobrir e propor novas estruturas inovadoras com propriedades específicas e otimizadas. Isso faz com que o paradigma hoje explorado baseie-se na engenharia reversa do processo, de forma que o cálculo de tais características desejadas viabilize o desenvolvimento de novos materiais dentre o grande espaço amostral formado pela combinação de elementos químicos e arranjos estruturais. Para tanto, com o constante avanço do poder computacional e a vasta disponibilidade de dados, a utilização de técnicas de aprendizado de máquina é benéfica para uma exploração eficiente do espaço de estruturas possíveis. Em especial, os foundation models destacam-se por meio dos modelos de difusão na geração de estruturas estáveis, únicas e inovadoras ao realizar a transferência de conhecimento de grandes modelos treinados previamente. Porém, ainda são limitados no processo de generalização dos problemas por conta das propriedades abrangidas. Dessa maneira, o presente projeto visa dar um passo além do estado da arte atual nos modelos fundacionais para a física de materiais, ao explorar a integração de características fundamentais da matéria para diferentes desafios, em especial da superfície de energia potencial e estrutura/propriedades eletrônicas. Através da integração do conhecimento aprendido por meio de modelos já existentes, como os de \textit{Machine Learning Interatomic Potentials} (MLIPs) e Equivariant Graph Neural Networks, desenvolveremos modelos fundacionais no estado da arte, que busque a generalização para uma gama de aplicações por meio da abordagem multimodal, ou seja, a combinação de diferentes modalidades de inputs/outputs, que potencialmente levam a ganhos sinérgicos na performance de aprendizado dos modelos e suas correspondentes predições.Ao obter tais modelos, poderemos não só predizer propriedades estuturais, dinâmicas e energéticas de diferentes materiais e sistemas, como também fazer a descoberta e design direto e inverso de materiais com funcionalidades desdejadas para aplicações de interesse como por exemplo nas áreas de energia, catálise, e spintrônica.