Um problema de busca por materiais encontra uma abordagem de IA sensível à física
Pesquisadores da Universidade de Tohoku afirmam ter desenvolvido um método de IA que pode examinar rapidamente milhares de materiais quanto ao desempenho dielétrico, ao mesmo tempo em que melhora a precisão de abordagens de previsão mais convencionais. Em um estudo publicado em Physical Review X, a equipe relata que o método ajudou a identificar 31 materiais óxidos de alta permissividade antes desconhecidos a partir de uma triagem de mais de 8.000 candidatos.
O avanço enfrenta um gargalo persistente na ciência dos materiais. Prever como um material responderá a campos elétricos exige muito processamento, mas essa resposta é central para a eletrônica moderna. Materiais dielétricos são amplamente usados em dispositivos como smartphones e computadores, então ferramentas melhores para encontrar candidatos promissores podem ter enorme valor prático.
Por que a previsão direta é difícil
Propriedades materiais complexas costumam ser difíceis de prever com confiabilidade para sistemas de IA quando tratadas como uma única saída. A solução do grupo de Tohoku foi evitar esse atalho direto. Em vez de pedir ao modelo que adivinhasse a constante dielétrica de forma imediata, os pesquisadores estruturaram o problema em torno de quantidades físicas mais básicas que contribuem para a propriedade final.
No sistema descrito no texto de origem, o modelo prevê separadamente as cargas efetivas de Born, que descrevem como os átomos respondem a campos elétricos, e as propriedades de fônons, que capturam as vibrações atômicas em um material. Esses ingredientes são então combinados por meio de uma fórmula física para reconstruir o tensor dielétrico iônico.
Esse desenho é o núcleo da alegação do artigo. Os pesquisadores argumentam que incorporar a física ao fluxo de trabalho torna a IA tanto mais rápida quanto mais confiável do que métodos que tentam pular diretamente da estrutura cristalina para o comportamento dielétrico final.
