Um modelo de inteligência artificial batizado de GAI4CES (Generative Artificial Intelligence for Controllable Electrode Synthesis) conseguiu desenhar, em frações de segundo, microestruturas de camadas catalisadoras para células a combustível que superam significativamente os arranjos convencionais mesmo com carregamentos ultrabaixos de platina.
Quem desenvolveu
A pesquisa, publicada em 7 de fevereiro de 2026 na revista Advanced Energy Materials, foi conduzida por cientistas do Eastern Institute of Technology, da Xi’an Jiaotong University e da City University of Hong Kong (campus Dongguan).
Como funciona
O GAI4CES reúne dois módulos principais:
- Vector-Quantized Variational AutoEncoder (VQ-VAE), que comprime dados tridimensionais de alta resolução mantendo a relação espacial entre platina, carbono, ionômero e poros.
- Transformer decoder, arquitetura popularizada por grandes modelos de linguagem, responsável por gerar novas microestruturas a partir dos códigos compactados.
A construção de um volume representativo de 128 nm³ leva apenas 0,36 segundo, enquanto métodos numéricos tradicionais gastam 168 segundos — ganho de velocidade próximo de 500 vezes.
Controle de propriedades
Parâmetros como fração volumétrica de platina e área eletroquímica ativa (ECSA) são inseridos diretamente no gerador por meio de normalização condicional. Dessa forma, o modelo entrega microestruturas alinhadas às metas estabelecidas.
Para avaliação rápida, os pesquisadores treinaram um modelo DenseNet com 2.000 pares microestrutura-propriedade, alcançando coeficiente de determinação R² = 0,957 na previsão da resistência local ao transporte de oxigênio.
Desempenho alcançado
Em uma primeira etapa, o sistema produziu 10.000 candidatos limitados a 0,05 mg cm-2 de platina. Após triagem automática, os 100 melhores passaram por simulação completa; o campeão apresentou ganho de 16,6 % na métrica composta (resistência ao oxigênio + ECSA) frente a nove estruturas de referência.
Inserida em um modelo completo de célula a combustível PEM, essa microestrutura elevou a tensão máxima em 70,2 % a 3 A cm-2.
Imagem: combining a compressi network with a T
Insights estruturais
Ao classificar mais de 10.000 desenhos em diferentes faixas de platina, os autores notaram que:
- Com até 0,05 mg cm-2, a ECSA é o principal fator de desempenho (r = 0,85 a 0,03 mg cm-2).
- Acima de 0,07 mg cm-2, a espessura média do filme de ionômero domina (r entre 0,81 e 0,98).
No regime ultrabaixo, a melhor estrutura aumentou a ECSA em 11,6 % e reduziu a espessura de ionômero em 32,9 % em comparação com a pior avaliada.
Limitações e próximos passos
O indicador de desempenho adotado focou apenas na resistência ao transporte de oxigênio, sem incluir condução de prótons, elétrons ou água. Além disso, a otimização se apoiou em busca quase exaustiva e ainda precisa de validação experimental.
Mesmo assim, o GAI4CES demonstra que abordagens orientadas por IA podem substituir ciclos longos de tentativa e erro, encurtando de meses para horas o desenvolvimento de camadas catalisadoras com menor uso de platina.
Com informações de Nanowerk
