Uma equipe da Hong Kong University of Science and Technology (HKUST) apresentou o GrainBot, conjunto de ferramentas baseado em inteligência artificial que automatiza a extração e a quantificação de múltiplas características microestruturais a partir de imagens de microscopia. O desenvolvimento, divulgado em 28 de fevereiro de 2026, pretende acelerar fluxos de trabalho orientados a dados na descoberta e otimização de novos materiais.
Segundo os pesquisadores, a quantificação de microestruturas sempre representou um desafio para a ciência e a engenharia de materiais. Embora microscópios modernos captem imagens altamente detalhadas, a análise consistente e em larga escala dessas informações ainda é limitada. Técnicas existentes costumam identificar apenas parâmetros simples ou classificar imagens, o que restringe o entendimento completo da relação entre estrutura e propriedade dos materiais.
Para superar essa barreira, o grupo liderado pela professora Zhou Yuanyuan, do Departamento de Engenharia Química e Biológica da HKUST, integrou no GrainBot um sistema de segmentação por rede neural convolucional, aliado a algoritmos próprios que medem área de grão, geometria de sulcos nas bordas dos grãos e volumes de concavidades ou convexidades na superfície. Cada imagem é convertida em um conjunto de descritores numéricos, possibilitando a criação de bancos de dados padronizados de microestrutura.
Os resultados foram publicados na revista Matter sob o título “GrainBot: Quantifying multi-variable microstructure disorder in materials”.
Validação em filmes finos de perovskita
Para comprovar a eficácia do GrainBot, a equipe aplicou a ferramenta a filmes finos de perovskita haleto metálico, material essencial para células solares de alta eficiência. Imagens de microscopia de força atômica (AFM) geraram um banco contendo milhares de grãos individuais, cada um anotado com diversos parâmetros microestruturais. A análise estatística revelou padrões gerais de distribuição e correlações antes difíceis de quantificar, como a relação entre tamanho de grão, geometria de sulcos e rugosidade superficial.
Modelos de aprendizado de máquina interpretável, baseados em árvores de decisão reforçadas por gradiente, foram treinados para investigar como diferentes descritores microestruturais influenciam uns aos outros. Perfis de importância de variáveis e gráficos de dependência parcial mostraram, por exemplo, de que modo área de grão e ângulo do sulco na fronteira afetam a profundidade de concavidades ou a altura de cristas.
Imagem: Internet
Papel na ciência orientada por IA
O professor Guo Yike, provost da HKUST e coautor do estudo, ressaltou que o GrainBot demonstra como a IA pode transformar imagens complexas em conjuntos de dados estruturados e reprodutíveis, adequados para compartilhamento e reintegração em plataformas maiores de pesquisa. De acordo com Guo, ferramentas desse tipo devem funcionar como “motores” em futuros laboratórios autônomos, alimentando sistemas de decisão para descoberta e otimização de materiais.
A professora Zhou destacou que o objetivo é fornecer descritores quantitativos consistentes de microestrutura, reduzindo a dificuldade de integrar caracterização por microscopia em estudos orientados a dados. O framework pode ser adaptado a diferentes composições e condições de processamento de perovskitas e, futuramente, a outros filmes finos policristalinos.
Os pesquisadores planejam integrar o GrainBot a outras técnicas de caracterização e explorar correlações diretas entre microestrutura, desempenho de dispositivos e estabilidade a longo prazo.
Com informações de Nanowerk
