Estratégias Orientadas por Dados para Aceleração do Design de Materiais

A revolução em andamento nas ciências naturais provocada pelo advento do aprendizado de máquina e da inteligência artificial despertou um interesse significativo na comunidade de ciência dos materiais nos últimos anos. A dimensionalidade intrinsecamente alta do espaço de materiais realizáveis torna as abordagens tradicionais ineficazes para explorações em larga escala. Ferramentas modernas de ciência dos dados e aprendizado de máquina, desenvolvidas para problemas cada vez mais complicados, são uma alternativa atraente. Uma catástrofe climática iminente exige uma transformação da energia limpa por meio da reforma das tecnologias atuais em apenas alguns anos disponíveis para ação. Enfrentar essa crise requer o desenvolvimento de novos materiais em um ritmo e escala sem precedentes. Por exemplo, os fotovoltaicos orgânicos têm o potencial de substituir, em grande parte, os materiais à base de silício existentes e abrir novos campos de aplicação. Nos últimos anos, os diodos emissores de luz orgânica surgiram como tecnologia de ponta para telas digitais e dispositivos portáteis, possibilitando novas aplicações com displays flexíveis. Estruturas reticulares permitem a síntese de nanomateriais com precisão atômica e prometem revolucionar o campo ao potencial de realizar nanopartículas multifuncionais com aplicações que vão desde armazenamento de gás, separação de gás e armazenamento de energia eletroquímica até nanotecnologia médica. Na última década, avanços significativos em todos esses campos foram facilitados pela aplicação abrangente de simulação e aprendizado de máquina para previsão de propriedades, otimização de propriedades e exploração do espaço químico, viabilizada por consideráveis avanços em poder computacional e eficiência algorítmica. Neste Relato, revisamos as contribuições mais recentes do nosso grupo neste campo em crescimento de aprendizado de máquina para ciência dos materiais. Começamos com um resumo das classes de materiais mais importantes nas quais nosso grupo esteve envolvido, focando em pequenas moléculas como materiais eletrônicos orgânicos e materiais cristalinos. Especificamente, destacamos as abordagens orientadas por dados que empregamos para acelerar a descoberta e derivar estratégias de design de materiais. Subsequentemente, nosso foco está nas metodologias orientadas por dados que nosso grupo desenvolveu e empregou, elaborando sobre triagem virtual de alto rendimento, design molecular inverso, otimização bayesiana e aprendizado supervisionado. Discutimos as ideias gerais, seus princípios de funcionamento e seus casos de uso com exemplos de implementações bem-sucedidas em esforços de descoberta e design de materiais orientados por dados. Além disso, elaboramos sobre possíveis armadilhas e desafios remanescentes desses métodos. Finalmente, fornecemos uma breve perspectiva para o campo, pois prevemos uma adaptação e implementação crescentes de abordagens orientadas por dados em larga escala em campanhas de descoberta e design de materiais.