Artigo em destaque: Inteligência artificial para desenvolver novos vidros.



O artigo científico com participação de membros da comunidade brasileira de pesquisa em Materiais em destaque neste mês é: Predicting glass transition temperatures using neural networks. Daniel R.Cassar, André C.P.L.F. de Carvalho, Edgar D. Zanotto. Acta Materialia. Volume 159, 15 October 2018, Pages 249-256. https://doi.org/10.1016/j.actamat.2018.08.022

Inteligência artificial para desenvolver novos vidros

Os vidros, materiais que estão presentes em uma vasta diversidade de produtos, desde uma garrafa de vinho até um implante dentário, poderão fazer novas contribuições à qualidade de vida dos seres humanos e animais, e à preservação do planeta. De fato, até o momento, cerca de 400 mil (4 x 105) fórmulas de vidros foram produzidas e publicadas, enquanto 1052 novos vidros poderão ainda ser desenvolvidos utilizando combinações possíveis entre 80 elementos amigáveis da tabela periódica.

Para lidar com essa infinidade de possibilidades, é imprescindível contar com a ajuda de ferramentas computacionais sofisticadas que indiquem quais são as fórmulas químicas mais promissoras em função de suas propriedades físico-químicas. Ferramentas recentes utilizam inteligência artificial, principalmente algoritmos do chamado “aprendizado de máquina” (machine learning). Após um adequado treinamento com dados conhecidos, essas ferramentas podem realizar a triagem inicial que permite decidir em quais fórmulas vale a pena investir recursos (tempo, dinheiro, esforços) para desenvolvê-las no laboratório.

box vidrosEssa foi a direção escolhida por uma equipe brasileira que reuniu pesquisadores das áreas de Materiais e de Computação, e criou uma ferramenta computacional de aprendizado de máquina (uma rede neural artificial), que se mostrou capaz de predizer com eficácia a temperatura de transição vítrea (Tg), uma importante propriedade dos vidros que depende de sua composição [Veja box ao lado].

O trabalho foi reportado em artigo científico recentemente publicado no periódico Acta Materialia (fator de impacto 6,036, taxa de aceite de 22%).

“A principal contribuição do artigo foi demonstrar a possibilidade de prever uma propriedade importante de vidros óxidos (neste caso a Tg) usando uma rede neural artificial”, diz Edgar Dutra Zanotto, professor da UFSCar e um dos três autores do paper. “A única informação necessária para realizar tal previsão é a composição química do material”, completa.

Redes neurais artificiais são amplamente usadas, por exemplo, para reconhecer rostos em enormes bancos de imagens, mas a sua aplicação na pesquisa em Materiais ainda é escassa e incipiente. Na área de materiais vítreos, por exemplo, o artigo de Zanotto e seus coautores é o terceiro que reporta o uso dessa ferramenta computacional.

As redes neurais artificiais são sistemas computacionais distribuídos formados por unidades de processamento de dados simples (equivalentes a neurônios simplificados) interconectados por meio de conexões equivalentes a sinapses. Elas aprendem por meio de algoritmos de aprendizado. Trabalhando em conjunto, os “neurônios” conseguem processar grandes volumes de dados e fazer previsões, mas, para isso, a rede precisa ser treinada a partir de exemplos concretos.

A aproximação de Zanotto às redes neurais artificiais começou há cerca de dois anos, quando ele pensou em buscar ferramentas de inteligência artificial para facilitar a busca de novas fórmulas de vidros. A ideia despertou grande interesse de Daniel Roberto Cassar, bolsista de pós-doutorado do Laboratório de Materiais Vítreos (LaMaV) do Departamento de Engenharia de Materiais (DEMa) da UFSCar, coordenado por Zanotto. Cassar participou, então, de cursos e palestras sobre redes neurais e começou a incursionar no desenvolvimento de redes neurais aplicadas ao estudo de vidros.

Há cerca de um ano, a dupla de cientistas de materiais sentiu necessidade de contar com um especialista em inteligência artificial e iniciou uma colaboração com o professor André Carlos Ponce de Leon Ferreira de Carvalho, professor do Instituto de Ciências Matemáticas e de Computação (ICMC) da USP São Carlos. Dessa maneira, a pesquisa acabou envolvendo uma série de bolsistas de ambos os grupos, todos localizados na cidade de São Carlos.

Foto da esuqerda: Professor Edgar Zanotto e bolsista de pós-doutorado Daniel Cassar no LaMaV - DEMa – UFSCar. Foto da direita: O professor André Carlos Ponce de Leon Ferreira de Carvalho (segundo a partir da esquerda) em laboratório do ICMC - USP São Carlos, rodeado por bolsistas que estão realizando pesquisas sobre ferramentas de inteligência artificial para prever propriedades de vidros. A partir da esquerda: Bruno de Almeida Pimentel (pós-doutorado), Edesio Alcobaça Neto (doutorado) e Saulo Martiello Mastelini (doutorado).
Foto da esquerda: Professor Edgar Zanotto e bolsista de pós-doutorado Daniel Cassar no LaMaV – DEMa – UFSCar. Foto da direita: O professor André Carlos Ponce de Leon Ferreira de Carvalho (segundo a partir da esquerda) em laboratório do ICMC – USP São Carlos, rodeado por bolsistas que estão realizando pesquisas sobre ferramentas de inteligência artificial para prever propriedades de vidros. A partir da esquerda: Bruno de Almeida Pimentel (pós-doutorado), Edesio Alcobaça Neto (doutorado) e Saulo Martiello Mastelini (doutorado).

A equipe projetou e implementou uma rede neural artificial, que foi treinada para que conseguisse correlacionar Tg e composição química. O treinamento foi realizado com os dados da Tg e da composição de cerca de 45.000 vidros baseados na combinação de 45 elementos químicos. Cada uma das fórmulas usadas no treinamento continha, no mínimo, 3 elementos e, no máximo, 21. Todos os dados foram extraídos de um banco de materiais vítreos que reúne dados experimentais extraídos da literatura científica.

Temperatura de transição vítrea (Tg) predita pela rede neural versus o valor experimental reportado na literatura. Gráfico construído considerando 5.515 pontos experimentais que não foram utilizados para o treino da rede neural. A linha reta mostra a identidade onde a previsão da rede é igual ao valor reportado. A inserção mostra a distribuição do erro relativo da previsão (em porcentagem).
Temperatura de transição vítrea (Tg) predita pela rede neural versus o valor experimental reportado na literatura. Gráfico construído considerando 5.515 pontos experimentais que não foram utilizados para o treino da rede neural. A linha reta mostra a identidade onde a previsão da rede é igual ao valor reportado. A inserção mostra a distribuição do erro relativo da previsão (em porcentagem).

Depois de treinar a rede, os cientistas testaram a sua capacidade de prever a Tg. Para isso, informaram à rede a composição química de outros 5.515 vidros, também presentes no banco de dados, mas que não tinham sido usados no treinamento. Ao comparar os valores preditos pela rede neural com os valores obtidos por meio de métodos experimentais, presentes no banco de dados, o time científico se surpreendeu positivamente. A rede neural artificial teve um desempenho muito bom nas respostas, errando, no máximo, 6% para cima ou para baixo nos valores da temperatura em 90% dos testes – um nível de incerteza muito similar ao exibido pelos estudos experimentais. Além disso, o grau de precisão dos resultados demonstrou ser independente da quantidade de elementos químicos presentes na composição do vidro, o que é importante quando se pensa em sondar materiais com extensas fórmulas químicas.

A rede neural são-carlense está pronta para ajudar cientistas e engenheiros de materiais do mundo a estimarem rapidamente a Tg de vidros de qualquer composição, tornando o trabalho de pesquisa e desenvolvimento de novos vidros muito mais rápido, fácil e econômico. Além disso, o estudo conduzido por Cassar, Carvalho e Zanotto mostra um caminho que pode ser seguido para desenvolver novas redes neurais aplicadas à Ciência e Engenharia de Materiais. “Este resultado abre uma larga avenida para estudos similares visando a previsão de quase todas as propriedades físico-químicas dos vidros com base na sua composição! ”, afirma Zanotto.

De fato, nos grupos dos professores Zanotto e Carvalho, pouco mais de um ano após o início da colaboração, uma série de trabalhos sobre o assunto está em curso. Essas pesquisas devem gerar novos algoritmos para aperfeiçoar ainda mais as redes neurais, novas redes treinadas para predizer outras propriedades (índice de refração, módulo de elasticidade, temperatura liquidus, etc.), mais conhecimento sobre o desempenho de algoritmos de aprendizado de máquina, novos artigos científicos e ferramentas de software para uso da comunidade.

O trabalho que originou o artigo publicado na Acta Materialia foi financiado pela FAPESP, por meio de dois Centros de Pesquisa, Inovação e Difusão: o CERTEV (Center for Research, Technology and Education in Vitreous Materials) e o CeMEAI (Centro de Ciências Matemáticas Aplicadas à Indústria). A pesquisa também recebeu financiamento do programa Nippon Sheet Glass Overseas Grant(Japão).


Comments

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *