De acordo com pt.wedoany.com-O Instituto de Pesquisa Damo, em colaboração com a Faculdade de Inteligência Artificial Gaoling da Universidade Renmin da China, a Universidade da Academia Chinesa de Ciências e outras instituições, lançou o primeiro agente de IA especializado na descoberta de materiais supercondutores, denominado "ElementsClaw" (Garra Elemental). Este agente, utilizando apenas 28 horas de GPU, previu 68.000 possíveis supercondutores a partir de 2,4 milhões de cristais estáveis conhecidos, dos quais 4 foram confirmados experimentalmente como novos supercondutores até então desconhecidos pela humanidade.
A descoberta de materiais supercondutores tem sido um desafio central na física desde 1911, com métodos tradicionais dependendo de tentativa e erro intensivos, conhecidos como "pesquisa científica ao estilo de cozinhar". O banco de dados internacional de supercondutores SuperCon atualmente contém apenas mais de 2.000 materiais supercondutores, dos quais apenas dezenas têm temperaturas críticas de dezenas de Kelvin. O pesquisador Jin Shifeng da Universidade da Academia Chinesa de Ciências destacou que o mecanismo físico dos supercondutores de alta temperatura com temperatura de transição acima de 40 K sob pressão normal ainda não é totalmente compreendido, e materiais supercondutores importantes como os à base de cobre, ferro e níquel foram quase todos descobertos por acaso.
Embora a IA já tenha feito avanços na ciência dos materiais, como o GNoME da DeepMind prevendo 2,2 milhões de materiais estáveis e o MatterGen da Microsoft projetando novas estruturas com base em propriedades, ambos carecem de capacidade de avaliação de informações abrangentes como literatura, sintetizabilidade, toxicidade e custo. Rong Yu, chefe de Ciência Inteligente do Instituto Damo, afirmou que modelos de previsão pontual não podem substituir o processo completo de pesquisa científica real.
O ElementsClaw adota uma arquitetura de agente "integrada e especializada", incluindo uma rede neural geométrica profunda de grafos com 1 bilhão de parâmetros chamada "Elements". Na fase de pré-treinamento, foram utilizadas 125 milhões de estruturas moleculares e cristalinas, atingindo ou aproximando o estado da arte (SOTA) em 22 benchmarks de ciência dos materiais, e validando pela primeira vez a Lei de Escala em uma arquitetura não baseada em grandes modelos de linguagem. O agente possui vários módulos funcionais: Elements-T prevê a temperatura crítica de supercondutividade, com erro absoluto médio de apenas 0,99 K; Elements-C determina se um material é supercondutor, com AUC de 0,996; Elements-E prevê energia e estabilidade; Elements-G gera novas estruturas cristalinas. O sistema agente é responsável por pesquisa bibliográfica, comparação de bancos de dados, análise de sintetizabilidade e design de experimentos, além de ter a capacidade de ajustar automaticamente o modelo com base em novos dados.
A equipe de pesquisa sintetizou experimentalmente 4 novos supercondutores por meio de 4 caminhos. "O peixe que escapou da rede" Hf₂₁Re₂₅ (temperatura crítica 2,5 K) veio de um banco de dados existente, mas não verificado experimentalmente; "O inocente inocentado" Zr₄VRe₇ (temperatura crítica 3,5 K) corrigiu um erro estrutural no banco de dados; "Criado do nada" HfZrRe₄ (temperatura crítica 5,9 K) é uma estrutura completamente nova gerada pela IA do zero; "Aprender por analogia" Zr₃ScRe₈ (temperatura crítica 6,5 K) foi descoberto resumindo motivos estruturais e substituindo elementos. As temperaturas críticas desses materiais não são altas, a máxima é de 6,5 K, mas a taxa de acerto das recomendações da IA aumentou de cerca de 3% na natureza para 40%.
O Instituto Damo disponibilizou todo o banco de dados de previsões de 2,4 milhões de cristais estáveis, que pode ser usado gratuitamente por pesquisadores globais. O professor associado Huang Wenbing da Faculdade de Inteligência Artificial Gaoling da Universidade Renmin da China destacou que o objetivo da IA para a Ciência é alcançar uma simbiose homem-máquina, onde a IA é responsável pela triagem de dados e trabalhos repetitivos, enquanto os cientistas são responsáveis por formular perguntas e construir sistemas de conhecimento.
