O tempo que leva atualmente da concepção até a utilização de um material em um produto é em torno de 20 anos. Esse foi o tempo que levou para materiais super conhecidos hoje, como o Teflon, policarbonato, velcro e borracha vulcanizada. Dessa forma, uma das maneiras encontradas para diminuir esse tempo foi a informática de materiais (Materials Informatics).
O que é?
Por centenas de anos, a ciência foi puramente empírica, ou seja, baseada na observação de fenômenos, como aconteceu na era da pedra, bronze ferro e aço. Então, longo tempo depois vieram os modelos teóricos e as generalizações, quando foram criadas várias leis em forma de equações matemáticas, por exemplo as tão conhecidas leis da termodinâmica. Entretanto, os modelos teóricos se tornaram e cada vez mais se tornam muito complexos, tornando difícil a criação de uma solução analítica.
Atualmente, a inteligência artificial (IA) e a a estatística está cada vez mais deixando esses dados precisos. A IA permite que a máquina aprenda com dados existentes. Nós já nos beneficiamos muito com a IA, sem mesmo perceber, como por exemplo com o reconhecimento facial ou de digitais, segurança de dados, marketing, recomendações da Netflix ou Spotify e também no Google.
Nesse contexto, informática de materiais é o campo de estudos que aplica os princípios da informática na área de engenharia e ciência de materiais.
Como pode nos ajudar
Essa área ainda é uma área emergente, porém cada vez mais se torna mais importante para a engenharia e ciência de materiais, pois pode auxiliar na seleção, desenvolvimento, utilização e descobrimento de materiais.
Por exemplo, baseado na composição de materiais já existentes e suas propriedades, o software pode indicar uma composição que pode ser melhor para uma determinada aplicação. É claro que você pode manualmente em um laboratório alterar aos poucos uma composição até descobrir o ideal, mas é muito mais fácil ter um ponto de partida, não é mesmo? Isso economiza muito tempo e recursos.
Relação processo-estrutura-propriedade-performance
A chave de quase tudo na ciência de materiais está nas relações de processo-estrutura-propriedade-performance. Em relação à imagem abaixo, as relações de ciência dedutiva de causa-efeito fluem da esquerda para a direita, e as relações de engenharia indutiva de metas fluem da direita para a esquerda.
É importante observar que cada relacionamento da esquerda para a direita é de muitos-para-um e, consequentemente, os da direita para a esquerda são um-para-muitos. Assim, muitas rotas de processamento podem potencialmente resultar na mesma estrutura do material, e a mesma propriedade de um material poderia ser potencialmente alcançada por múltiplas estruturas. Cada observação experimental ou simulação pode ser pensada como um ponto de dados para um modelo.
Um banco de dados de tais pontos de dados pode ser usado com uma abordagem de informática de materiais, como análise preditiva para construir modelos avançados orientados por dados. Esta aceleração dos modelos pode não apenas ajudar a orientar futuras simulações e experimentos, mas também possibilitar a realização de modelos inversos, que são muito mais desafiadores e críticos para a descoberta e o design de novos materiais.
Como funciona o machine learning na informática de materiais
Machine learning (ou aprendizado de máquina em português) é um campo que pode ser utilizado na informática dos materiais, que consiste no reconhecimento de padrões e aprendizado deles em inteligência artificial.
Vamos considerar o seguinte exemplo: você está estudando um grupo de materiais que caem dentro de uma certa classe química e uma propriedade relevante medida ou computada desses materiais. Dentro da linguagem de programação o material será chamado de input (entrada) e a propriedade é chamada de output ou target (resultado, alvo). O problema então pode ser definido da seguinte forma: Dado um conjunto de dados {materiais → propriedade}, qual é a melhor estimativa da propriedade para um novo material não listado no conjunto de dados original? Desde que haja exemplos suficientes, ou seja, que o conjunto de dados seja suficientemente grande e desde que o novo material se enquadre na mesma classe químico-estrutural que os materiais no conjunto de dados original, é esperado que o sistema possa fazer uma estimativa.
De forma mais prática, o primeiro passo é representar numericamente os vários materiais (inputs). No final desse processo, cada input vai ser reduzido a uma string de números (fingerprints), como mostra na imagem abaixo.
O segundo passo é estabelecer um levantamento entre a fingerprint e a propriedade desejada, que deve ser totalmente numérica. Vários algorítimos, dos mais simples até os mais complexos, estão disponíveis para fazer o levantamento e criar modelos de predição.
Junto com o machine learning, é muito importante incluir práticas rigorosas de estatística, que tentam garantir que um modelo de aprendizagem desenvolvido com base no conjunto de dados original que possa realmente lidar com um novo caso sem cair nos perigos do “overfitting”.
Assim, machine learning deve ser visto como a soma total da criação organizada do conjunto de dados inicial, as etapas de fingerprints e aprendizado. Uma etapa subseqüente necessária de adição progressiva e direcionada de novos dados, fazendo que o sistema possa melhorar continuamente e se adaptar com novos dados adquiridos.
Curso
Esse assunto cada vez se torna mais importante no currículo de um engenheiro de materiais. Assim, é muito importante buscar por conhecimento sobre o assunto dentro e fora da universidade.
Na procura sobre o tema, achamos um curso gratuito da Georgia Tech que vai começar dia 23 de Julho sobre o tema:
Materials Informatics – Coursera
Referências
Nature – Machine learning in materials informatics: recent applications and prospects
Esse site está cada vez melhor! Parabéns pela matéria, não se pode mais fugir deste campo tão importante da estatística computacional, simulação e data science para ciência dos materiais, que representa economia de tempo e recursos financeiros, considerando que as ferramentas essenciais utilizadas nessa área são praticamente todas gratuitas.