- pesquisadores do MIT desenvolveram o DiffSyn, um modelo de IA generativa que sugere rotas de síntese para materiais, com foco em zeólitas.
- o modelo foi treinado com mais de vinte e três mil receitas de síntese coletadas ao longo de cinqüenta anos de artigos científicos e usa técnicas de difusão.
- DiffSyn oferece combinações promissoras de temperatura, tempo de reação e proporções de precursores para chegar a materiais desejados, acelerando testes.
- em testes, o sistema indicou caminhos de síntese para zeólitas que resultaram em material com melhor estabilidade térmica, demonstrando potencial para catalise, absorção e troca iônica.
- os autores afirmam que a abordagem permite mapear várias rotas de síntese para a mesma estrutura, o que pode reduzir significativamente o tempo entre hipótese e uso prático, com aplicações futuras em outros materiais.
DiffSyn, modelo de IA desenvolvido no MIT, propõe rotas de síntese para materiais. Pesquisadores mostraram alta precisão ao prever caminhos de síntese para zeólitas e, seguindo as sugestões, criaram uma zeólita com maior estabilidade térmica.
O estudo, publicado hoje na Nature Computational Science, apresenta DiffSyn, um modelo de difusão que transforma ruído em rotas de síntese viáveis para materiais complexos. O objetivo é acelerar a jornada da hipótese à aplicação prática.
O que é DiffSyn
Desenvolvido por Elton Pan e equipes do MIT, o modelo foi treinado com mais de 23 mil receitas de síntese de materiais, coletadas ao longo de 50 anos de literatura científica. O treinamento incluiu a adição de ruído aleatório para ensinar o modelo a recuperar caminhos promissores.
Como funciona o método
DiffSyn sugere combinações de temperatura, tempo de reação, proporções de precursores e outros parâmetros. Em testes com zeólitas, o modelo indicou vias que levaram à produção de uma nova zeólita com morfologia favorável para aplicações catalíticas.
Resultados e impacto
Segundo os autores, o modelo permite avaliar milhares de caminhos em minutos, fornecendo uma boa estimativa inicial de rotas de síntese para materiais ainda não explorados. A abordagem troca a relação tradicional de um para um entre estrutura e síntese por um para muitos caminhos.
Potencial futuro
Os pesquisadores consideram que a estratégia pode ser aplicada a outros materiais, como frameworks metal-orgânicos e sólidos inorgânicos. O desafio atual é obter dados de alta qualidade para diferentes classes materiais, mas zeólitas representam um caso particularmente complexo.
Apoios e parcerias
O trabalho contou com apoio do MIT MISTI, da National Science Foundation, da Generalitat Valenciana, do Office of Naval Research, da ExxonMobil e da Agência de Ciência e Tecnologia de Singapore. As informações são baseadas no artigo publicado na Nature Computational Science.
Entre na conversa da comunidade