Fechando a lacuna de síntese no design de materiais computacionais

Estratégias baseadas em dados estão remodelando o design de materiais computacionais ao acelerar a previsão de novos compostos com funcionalidades direcionadas. Além da triagem de alto rendimento, a integração de inteligência artificial generativa permite a exploração de vastos espaços químicos contendo milhões de materiais conhecidos e hipotéticos. Essa abundância de candidatos apresenta um desafio: identificar quais compostos candidatos não são apenas de baixa energia, mas também acessíveis sinteticamente. Avaliamos os avanços em direção ao fechamento dessa lacuna de síntese para cristais inorgânicos. Isso inclui a incorporação de potenciais termodinâmicos (de energias internas a 0 K até energias livres de Gibbs), cruciais para avaliar a estabilidade de fase e as forças impulsionadoras da reação, heurísticas químicas (da neutralidade de carga até regras de eletronegatividade) e modelos de aprendizado de máquina (do aprendizado positivo – não rotulado até grandes modelos de linguagem) para guiar a seleção e priorização de compostos. Olhando para o futuro, o desenvolvimento de métricas de síntese mais robustas, ferramentas de planejamento de síntese e fluxos de trabalho agentes que integrem feedback experimental reduzirá a divisão entre triagem virtual e realização de materiais no mundo real.