Ao analisar dados de cristalografia de raios X, o modelo pode ajudar pesquisadores a desenvolver novos materiais para muitas aplicações, incluindo baterias e ímãs.
Por mais de 100 anos, cientistas têm usado a cristalografia de raios X para determinar a estrutura de materiais cristalinos, como metais, rochas e cerâmicas.
Essa técnica funciona melhor quando o cristal está intacto, mas, em muitos casos, os cientistas têm apenas uma versão em pó do material, que contém fragmentos aleatórios do cristal. Isso torna mais desafiador juntar a estrutura geral.
Químicos do MIT agora criaram um novo modelo de IA generativa que pode tornar muito mais fácil determinar as estruturas desses cristais em pó. O modelo de previsão pode ajudar pesquisadores a caracterizar materiais para uso em baterias, ímãs e muitas outras aplicações.
“Estrutura é a primeira coisa que você precisa saber sobre qualquer material. É importante para supercondutividade, é importante para ímãs, é importante para saber qual fotovoltaico você criou. É importante para qualquer aplicação que você possa pensar que seja centrada em materiais”, diz Danna Freedman, Professora de Química Frederick George Keyes no MIT.
Freedman e Jure Leskovec, professor de ciência da computação na Universidade de Stanford, são os autores principais do novo estudo, que aparece hoje no Jornal da Sociedade Química Americana . O estudante de pós-graduação do MIT Eric Riesel e o estudante de graduação da Universidade de Yale Tsach Mackey são os principais autores do artigo.
Padrões distintos
Materiais cristalinos, que incluem metais e a maioria dos outros materiais sólidos inorgânicos, são feitos de redes que consistem em muitas unidades idênticas e repetidas. Essas unidades podem ser pensadas como “caixas” com um formato e tamanho distintos, com átomos dispostos precisamente dentro delas.
Quando raios X são irradiados nessas redes, eles difratam átomos com ângulos e intensidades diferentes, revelando informações sobre as posições dos átomos e as ligações entre eles. Desde o início dos anos 1900, essa técnica tem sido usada para analisar materiais, incluindo moléculas biológicas que têm uma estrutura cristalina, como DNA e algumas proteínas.
Para materiais que existem apenas como um cristal em pó, resolver essas estruturas se torna muito mais difícil porque os fragmentos não carregam a estrutura 3D completa do cristal original.
“A rede precisa ainda existe, porque o que chamamos de pó é, na verdade, uma coleção de microcristais. Então, você tem a mesma rede de um cristal grande, mas eles estão em uma orientação totalmente aleatória”, diz Freedman.
Para milhares desses materiais, padrões de difração de raios X existem, mas permanecem sem solução. Para tentar decifrar as estruturas desses materiais, Freedman e seus colegas treinaram um modelo de aprendizado de máquina em dados de um banco de dados chamado Materials Project, que contém mais de 150.000 materiais. Primeiro, eles alimentaram dezenas de milhares desses materiais em um modelo existente que pode simular como seriam os padrões de difração de raios X. Então, eles usaram esses padrões para treinar seu modelo de IA, que eles chamam de Crystalyze, para prever estruturas com base nos padrões de raios X.
O modelo divide o processo de previsão de estruturas em várias subtarefas. Primeiro, ele determina o tamanho e o formato da “caixa” de treliça e quais átomos entrarão nela. Então, ele prevê o arranjo de átomos dentro da caixa. Para cada padrão de difração, o modelo gera várias estruturas possíveis, que podem ser testadas alimentando as estruturas em um modelo que determina padrões de difração para uma dada estrutura.
“Nosso modelo é IA generativa, o que significa que ele gera algo que não foi visto antes, e isso nos permite gerar vários palpites diferentes”, diz Riesel. “Podemos fazer uma centena de palpites, e então podemos prever como o padrão de pó deve ser para nossos palpites. E então se a entrada se parece exatamente com a saída, então sabemos que acertamos.”
Resolvendo estruturas desconhecidas
Os pesquisadores testaram o modelo em vários milhares de padrões de difração simulados do Materials Project. Eles também o testaram em mais de 100 padrões de difração experimentais do banco de dados RRUFF, que contém dados de difração de raios X em pó para quase 14.000 minerais cristalinos naturais, que eles mantiveram fora dos dados de treinamento. Nesses dados, o modelo foi preciso cerca de 67 por cento das vezes. Então, eles começaram a testar o modelo em padrões de difração que não tinham sido resolvidos antes. Esses dados vieram do Powder Diffraction File, que contém dados de difração para mais de 400.000 materiais resolvidos e não resolvidos.
Usando seu modelo, os pesquisadores criaram estruturas para mais de 100 desses padrões não resolvidos anteriormente. Eles também usaram seu modelo para descobrir estruturas para três materiais que o laboratório de Freedman criou forçando elementos que não reagem à pressão atmosférica a formar compostos sob alta pressão. Essa abordagem pode ser usada para gerar novos materiais que têm estruturas cristalinas e propriedades físicas radicalmente diferentes, mesmo que sua composição química seja a mesma.
Grafite e diamante – ambos feitos de carbono puro – são exemplos de tais materiais. Os materiais que Freedman desenvolveu, que contêm bismuto e um outro elemento, podem ser úteis no design de novos materiais para ímãs permanentes.
“Encontramos muitos materiais novos a partir de dados existentes e, o mais importante, resolvemos três estruturas desconhecidas do nosso laboratório que compõem as primeiras novas fases binárias dessas combinações de elementos”, diz Freedman.
Ser capaz de determinar as estruturas de materiais cristalinos em pó pode ajudar pesquisadores que trabalham em quase qualquer campo relacionado a materiais, de acordo com a equipe do MIT, que postou uma interface web para o modelo em crystalyze.org.
Artigo: “Determinação da estrutura cristalina a partir de padrões de difração de pó com aprendizado de máquina generativo”