Pesquisadores apresentaram, em 26 de outubro de 2025, um modelo de inteligência artificial capaz de prever a adsorção de gases em estruturas metalorgânicas (MOFs) com precisão significativamente superior às técnicas atuais. O trabalho, publicado na revista Engineering, alia velocidade de cálculo a explicações mais claras sobre os fatores que influenciam o desempenho dos materiais.
Como o modelo funciona
A equipe combinou dois recursos principais. O primeiro é um “grafo cristalino multiescala”, que representa a estrutura dos MOFs em três faixas de distância diretamente relacionadas à interação com gases:
- 0–2 Å: ligações locais, como metal-oxigênio;
- 2–3 Å: grupos funcionais e efeitos de superfície;
- 3–5 Å: formato dos poros e conectividade.
Para refletir a repetição infinita dos cristais, o grafo inclui arestas auto-conectantes que registram a periodicidade, algo que modelos convencionais de redes neurais gráficas (GNNs) costumam ignorar.
O segundo recurso é uma rede com mecanismo de autoatenção multi-cabeça, que classifica quais ligações exercem maior influência na adsorção. Um estágio de pooling, fixado em 0,6, preserva as características mais relevantes e reduz o sobreajuste.
Resultados dos testes
O modelo foi treinado com um amplo banco de dados de estruturas reais de MOFs e valores de adsorção obtidos por simulação. Entre os destaques:
Imagem: Internet
- Para gases individuais (CO₂, CH₄ e N₂) em condições padrão, a precisão na previsão de CO₂ aumentou mais de 200 % em comparação a redes de atenção gráfica anteriores.
- O sobreajuste caiu mais de 90 % em relação a outro modelo de referência.
- Em misturas, como CO₂:N₂ e CH₄:CO₂, a precisão permaneceu elevada; no caso do CO₂, o ganho foi de cerca de 15 %. O CH₄ mostrou maior dificuldade de modelagem devido ao tamanho e à geometria tetraédrica.
Transparência dos resultados
A visualização dos pesos de atenção evidenciou que ligações como Zn–O, presentes na menor escala, receberam pontuações máximas. Essa capacidade de indicar quais átomos e conexões pesam na resposta ajuda a enfrentar o problema de “caixa-preta” comum em aplicações de IA para descoberta de materiais.
Segundo os autores, a técnica oferece um caminho mais confiável e interpretável para relacionar estrutura atômica e desempenho, acelerando o desenvolvimento de MOFs voltados à separação de gases e ao armazenamento de energia.
Com informações de Nanowerk
