Materiais de Alta Entropia como Catalisadores para a Produção de Hidrogênio Verde: Uma Abordagem Computacional Guiada por Dados e Inteligência Artificial

• Processo: 25/13975-7
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Data de Início da vigência: 01 de janeiro de 2026
• Data de Término da vigência: 31 de janeiro de 2030
• Área de conhecimento: Ciências Exatas e da Terra - Física - Física da Matéria Condensada
• Pesquisador responsável: Pedro Alves da Silva Autreto
• Beneficiário: Guilherme Gurian Dariani
• Instituição Sede: Centro de Ciências Naturais e Humanas (CCNH). Universidade Federal do ABC (UFABC). Santo André , SP, Brasil
• Vinculado ao auxílio: 23/09820-2 - Design de materiais: dos materiais quânticos às aplicações em energia, AP.TEM
• Palavra(s)-Chave do Pesquisador: Aprendizado de máquina (machine learning) | Inteligência Artificial (IA) | Materiais de Alta Entropia (HEMs) | Processamento de linguagem natural (PLN) | Reação de Evolução de Hidrogênio (HER) | teoria do funcional da densidade (DFT) | Informática de Materiais baseada em cálculos de primeiros princípios

Resumo

A produção de hidrogênio verde por meio da eletrólise da água é uma alternativa promissora para o armazenamento e uso sustentável de energia, mas depende criticamente de catalisadores eficientes e de baixo custo. Neste contexto, os materiais de alta entropia (HEMs) surgem como candidatos potenciais devido à sua estabilidade, diversidade composicional e propriedades eletrocatalíticas singulares. No entanto, o vasto espaço de composição dos HEMs dificulta sua exploração exclusivamente por métodos experimentais ou computacionais convencionais. Este projeto propõe integrar simulações baseadas na Teoria do Funcional da Densidade (DFT), aprendizado de máquina (ML) e técnicas de Processamento de Linguagem Natural (PLN) para acelerar a descoberta e o design racional de HEMs como catalisadores para a Reação de Evolução de Hidrogênio (HER). Serão desenvolvidos modelos preditivos para estimar propriedades relevantes, como a energia livre de adsorção de hidrogênio, combinando dados computacionais e experimentais extraídos automaticamente da literatura. Espera-se, com isso, propor novos catalisadores mais eficientes, reduzir o custo computacional das buscas e contribuir com dados e ferramentas acessíveis à comunidade científica. (AU)