{"id":7118,"date":"2018-10-30T16:47:20","date_gmt":"2018-10-30T19:47:20","guid":{"rendered":"https:\/\/www.sbpmat.org.br\/?p=7118"},"modified":"2018-11-09T13:44:46","modified_gmt":"2018-11-09T16:44:46","slug":"artigo-em-destaque-inteligencia-artificial-para-desenvolver-novos-vidros","status":"publish","type":"post","link":"https:\/\/www.sbpmat.org.br\/pt\/artigo-em-destaque-inteligencia-artificial-para-desenvolver-novos-vidros\/","title":{"rendered":"Artigo em destaque: Intelig\u00eancia artificial para desenvolver novos vidros."},"content":{"rendered":"

O artigo cient\u00edfico com participa\u00e7\u00e3o de membros da comunidade brasileira de pesquisa em Materiais em destaque neste m\u00eas \u00e9:\u00a0Predicting glass transition temperatures using neural networks.<\/em>\u00a0<\/b>Daniel R.Cassar, Andr\u00e9\u00a0C.P.L.F. de\u00a0Carvalho, Edgar D. Zanotto.\u00a0Acta Materialia.<\/b>\u00a0Volume 159, 15 October 2018, Pages 249-256.\u00a0https:\/\/doi.org\/10.1016\/j.actamat.2018.08.022<\/a><\/span><\/p>\n

Intelig\u00eancia artificial para desenvolver novos vidros<\/b><\/p>\n

Os vidros, materiais que est\u00e3o presentes em uma vasta diversidade de produtos, desde uma garrafa de vinho at\u00e9 um implante dent\u00e1rio, poder\u00e3o fazer novas contribui\u00e7\u00f5es \u00e0 qualidade de vida dos seres humanos e animais, e \u00e0 preserva\u00e7\u00e3o do planeta. De fato, at\u00e9 o momento, cerca de 400 mil (4 x 105<\/sup>) f\u00f3rmulas de vidros foram produzidas e publicadas, enquanto 1052<\/sup>\u00a0novos vidros poder\u00e3o ainda ser desenvolvidos utilizando combina\u00e7\u00f5es poss\u00edveis entre 80 elementos amig\u00e1veis da tabela peri\u00f3dica.<\/p>\n

Para lidar com essa infinidade de possibilidades, \u00e9 imprescind\u00edvel contar com a ajuda de ferramentas computacionais sofisticadas que indiquem quais s\u00e3o as f\u00f3rmulas qu\u00edmicas mais promissoras em fun\u00e7\u00e3o de suas propriedades f\u00edsico-qu\u00edmicas. Ferramentas recentes utilizam intelig\u00eancia artificial, principalmente algoritmos do chamado \u201caprendizado de m\u00e1quina\u201d (machine learning<\/em>). Ap\u00f3s um adequado treinamento com dados conhecidos, essas ferramentas podem realizar a triagem inicial que permite decidir em quais f\u00f3rmulas vale a pena investir recursos (tempo, dinheiro, esfor\u00e7os) para desenvolv\u00ea-las no laborat\u00f3rio.<\/p>\n

\"box<\/a>Essa foi a dire\u00e7\u00e3o escolhida por uma equipe brasileira que reuniu pesquisadores das \u00e1reas de Materiais e de Computa\u00e7\u00e3o, e criou uma ferramenta computacional de aprendizado de m\u00e1quina (uma rede neural artificial), que se mostrou capaz de predizer com efic\u00e1cia a temperatura de transi\u00e7\u00e3o v\u00edtrea (Tg<\/sub>), uma importante propriedade dos vidros que depende de sua composi\u00e7\u00e3o [Veja box ao lado].<\/p>\n

O trabalho foi reportado em artigo cient\u00edfico recentemente publicado no peri\u00f3dico Acta Materialia (fator de impacto 6,036, taxa de aceite de 22%).<\/p>\n

\u201cA principal contribui\u00e7\u00e3o do artigo foi demonstrar a possibilidade de prever uma propriedade importante de vidros \u00f3xidos (neste caso a Tg<\/sub>) usando uma rede neural artificial\u201d, diz Edgar Dutra Zanotto<\/a>, professor da UFSCar e um dos tr\u00eas autores do paper. \u201cA \u00fanica informa\u00e7\u00e3o necess\u00e1ria para realizar tal previs\u00e3o \u00e9 a composi\u00e7\u00e3o qu\u00edmica do material\u201d, completa.<\/p>\n

Redes neurais artificiais s\u00e3o amplamente usadas, por exemplo, para reconhecer rostos em enormes bancos de imagens, mas a sua aplica\u00e7\u00e3o na pesquisa em Materiais ainda \u00e9 escassa e incipiente. Na \u00e1rea de materiais v\u00edtreos, por exemplo, o artigo de Zanotto e seus coautores \u00e9 o terceiro que reporta o uso dessa ferramenta computacional.<\/p>\n

As redes neurais artificiais s\u00e3o sistemas computacionais distribu\u00eddos formados por unidades de processamento de dados simples (equivalentes a neur\u00f4nios simplificados) interconectados por meio de conex\u00f5es equivalentes a sinapses. Elas aprendem por meio de algoritmos de aprendizado. Trabalhando em conjunto, os \u201cneur\u00f4nios\u201d conseguem processar grandes volumes de dados e fazer previs\u00f5es, mas, para isso, a rede precisa ser treinada a partir de exemplos concretos.<\/p>\n

A aproxima\u00e7\u00e3o de Zanotto \u00e0s redes neurais artificiais come\u00e7ou h\u00e1 cerca de dois anos, quando ele pensou em buscar ferramentas de intelig\u00eancia artificial para facilitar a busca de novas f\u00f3rmulas de vidros. A ideia despertou grande interesse de Daniel Roberto Cassar<\/a>, bolsista de p\u00f3s-doutorado do Laborat\u00f3rio de Materiais V\u00edtreos (LaMaV) do Departamento de Engenharia de Materiais (DEMa) da UFSCar, coordenado por Zanotto. Cassar participou, ent\u00e3o, de cursos e palestras sobre redes neurais e come\u00e7ou a incursionar no desenvolvimento de redes neurais aplicadas ao estudo de vidros.<\/p>\n

H\u00e1 cerca de um ano, a dupla de cientistas de materiais sentiu necessidade de contar com um especialista em intelig\u00eancia artificial e iniciou uma colabora\u00e7\u00e3o com o professor Andr\u00e9 Carlos Ponce de Leon Ferreira de Carvalho<\/a>, professor do Instituto de Ci\u00eancias Matem\u00e1ticas e de Computa\u00e7\u00e3o (ICMC) da USP S\u00e3o Carlos. Dessa maneira, a pesquisa acabou envolvendo uma s\u00e9rie de bolsistas de ambos os grupos, todos localizados na cidade de S\u00e3o Carlos.<\/p>\n

\"Foto<\/a>
Foto da esquerda: Professor Edgar Zanotto e bolsista de p\u00f3s-doutorado Daniel Cassar no LaMaV – DEMa \u2013 UFSCar. Foto da direita: O professor Andr\u00e9 Carlos Ponce de Leon Ferreira de Carvalho (segundo a partir da esquerda) em laborat\u00f3rio do ICMC – USP S\u00e3o Carlos, rodeado por bolsistas que est\u00e3o realizando pesquisas sobre ferramentas de intelig\u00eancia artificial para prever propriedades de vidros. A partir da esquerda: Bruno de Almeida Pimentel (p\u00f3s-doutorado), Edesio Alcoba\u00e7a Neto (doutorado) e Saulo Martiello Mastelini (doutorado).<\/figcaption><\/figure>\n

A equipe projetou e implementou uma rede neural artificial, que foi treinada para que conseguisse correlacionar Tg<\/sub>\u00a0e composi\u00e7\u00e3o qu\u00edmica. O treinamento foi realizado com os dados da Tg<\/sub>\u00a0e da composi\u00e7\u00e3o de cerca de 45.000 vidros baseados na combina\u00e7\u00e3o de 45 elementos qu\u00edmicos. Cada uma das f\u00f3rmulas usadas no treinamento continha, no m\u00ednimo, 3 elementos e, no m\u00e1ximo, 21. Todos os dados foram extra\u00eddos de um banco de materiais v\u00edtreos que re\u00fane dados experimentais extra\u00eddos da literatura cient\u00edfica.<\/p>\n

\"Temperatura<\/a>
Temperatura de transi\u00e7\u00e3o v\u00edtrea (Tg) predita pela rede neural versus o valor experimental reportado na literatura. Gr\u00e1fico constru\u00eddo considerando 5.515 pontos experimentais que n\u00e3o foram utilizados para o treino da rede neural. A linha reta mostra a identidade onde a previs\u00e3o da rede \u00e9 igual ao valor reportado. A inser\u00e7\u00e3o mostra a distribui\u00e7\u00e3o do erro relativo da previs\u00e3o (em porcentagem).<\/figcaption><\/figure>\n

Depois de treinar a rede, os cientistas testaram a sua capacidade de prever a Tg<\/sub>. Para isso, informaram \u00e0 rede a composi\u00e7\u00e3o qu\u00edmica de outros 5.515 vidros, tamb\u00e9m presentes no banco de dados, mas que n\u00e3o tinham sido usados no treinamento. Ao comparar os valores preditos pela rede neural com os valores obtidos por meio de m\u00e9todos experimentais, presentes no banco de dados, o time cient\u00edfico se surpreendeu positivamente. A rede neural artificial teve um desempenho muito bom nas respostas, errando, no m\u00e1ximo, 6% para cima ou para baixo nos valores da temperatura em 90% dos testes \u2013 um n\u00edvel de incerteza muito similar ao exibido pelos estudos experimentais. Al\u00e9m disso, o grau de precis\u00e3o dos resultados demonstrou ser independente da quantidade de elementos qu\u00edmicos presentes na composi\u00e7\u00e3o do vidro, o que \u00e9 importante quando se pensa em sondar materiais com extensas f\u00f3rmulas qu\u00edmicas.<\/p>\n

A rede neural s\u00e3o-carlense est\u00e1 pronta para ajudar cientistas e engenheiros de materiais do mundo a estimarem rapidamente a Tg<\/sub>\u00a0de vidros de qualquer composi\u00e7\u00e3o, tornando o trabalho de pesquisa e desenvolvimento de novos vidros muito mais r\u00e1pido, f\u00e1cil e econ\u00f4mico. Al\u00e9m disso, o estudo conduzido por Cassar, Carvalho e Zanotto mostra um caminho que pode ser seguido para desenvolver novas redes neurais aplicadas \u00e0 Ci\u00eancia e Engenharia de Materiais. \u201cEste resultado abre uma larga avenida para estudos similares visando a previs\u00e3o de quase todas as propriedades f\u00edsico-qu\u00edmicas dos vidros com base na sua composi\u00e7\u00e3o! \u201d, afirma Zanotto.<\/p>\n

De fato, nos grupos dos professores Zanotto e Carvalho, pouco mais de um ano ap\u00f3s o in\u00edcio da colabora\u00e7\u00e3o, uma s\u00e9rie de trabalhos sobre o assunto est\u00e1 em curso. Essas pesquisas devem gerar novos algoritmos para aperfei\u00e7oar ainda mais as redes neurais, novas redes treinadas para predizer outras propriedades (\u00edndice de refra\u00e7\u00e3o, m\u00f3dulo de elasticidade, temperatura liquidus, etc.), mais conhecimento sobre o desempenho de algoritmos de aprendizado de m\u00e1quina, novos artigos cient\u00edficos e ferramentas de\u00a0software<\/em>\u00a0para uso da comunidade.<\/p>\n

O trabalho que originou o artigo publicado na Acta Materialia foi financiado pela FAPESP, por meio de dois Centros de Pesquisa, Inova\u00e7\u00e3o e Difus\u00e3o: o CERTEV (Center for Research, Technology and Education in Vitreous Materials<\/em>) e o CeMEAI (Centro de Ci\u00eancias Matem\u00e1ticas Aplicadas \u00e0 Ind\u00fastria). A pesquisa tamb\u00e9m recebeu financiamento do programa\u00a0Nippon Sheet Glass Overseas Grant<\/em>(Jap\u00e3o).<\/p>\n

<\/p>","protected":false},"excerpt":{"rendered":"

O artigo cient\u00edfico com participa\u00e7\u00e3o de membros da comunidade brasileira de pesquisa em Materiais em destaque neste m\u00eas \u00e9:\u00a0Predicting glass transition temperatures using neural networks.\u00a0Daniel R.Cassar, Andr\u00e9\u00a0C.P.L.F. de\u00a0Carvalho, Edgar D. Zanotto.\u00a0Acta Materialia.\u00a0Volume 159, 15 October 2018, Pages 249-256.\u00a0https:\/\/doi.org\/10.1016\/j.actamat.2018.08.022 Intelig\u00eancia artificial para desenvolver novos vidros Os vidros, materiais que est\u00e3o presentes em uma vasta diversidade de […]<\/p>\n","protected":false},"author":4,"featured_media":0,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[6],"tags":[1656,1658,1654,1653,1659,1655,100,628,1657,186],"_links":{"self":[{"href":"https:\/\/www.sbpmat.org.br\/pt\/wp-json\/wp\/v2\/posts\/7118"}],"collection":[{"href":"https:\/\/www.sbpmat.org.br\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sbpmat.org.br\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sbpmat.org.br\/pt\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sbpmat.org.br\/pt\/wp-json\/wp\/v2\/comments?post=7118"}],"version-history":[{"count":4,"href":"https:\/\/www.sbpmat.org.br\/pt\/wp-json\/wp\/v2\/posts\/7118\/revisions"}],"predecessor-version":[{"id":7147,"href":"https:\/\/www.sbpmat.org.br\/pt\/wp-json\/wp\/v2\/posts\/7118\/revisions\/7147"}],"wp:attachment":[{"href":"https:\/\/www.sbpmat.org.br\/pt\/wp-json\/wp\/v2\/media?parent=7118"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sbpmat.org.br\/pt\/wp-json\/wp\/v2\/categories?post=7118"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sbpmat.org.br\/pt\/wp-json\/wp\/v2\/tags?post=7118"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}