Muitos dos padrões complexos observados na natureza surgem quando as simetrias são quebradas. À medida que um sistema transita de um estado altamente simétrico para um estado mais ordenado, podem aparecer pequenas irregularidades, mas estáveis. Estas características, conhecidas como defeitos topológicos, manifestam-se em escalas muito diferentes, desde estruturas cósmicas até materiais comuns. Como aparecem onde quer que existam formas de ordem, fornecem aos cientistas uma forma poderosa de compreender como os sistemas complexos se organizam.
Os cristais líquidos nemáticos fornecem um ambiente particularmente útil para o estudo desses defeitos. Neste tipo de material, as moléculas podem girar livremente enquanto ainda apontam aproximadamente na mesma direção. Essa combinação torna os cristais líquidos fáceis de controlar e observar, permitindo aos pesquisadores rastrear como os defeitos aparecem, se movem e se reorganizam ao longo do tempo. Tradicionalmente, os cientistas descrevem estas estruturas utilizando a teoria de Landau-de Gennes, uma estrutura matemática que explica como a ordem molecular se decompõe dentro de núcleos defeituosos, onde as direções já não estão claramente definidas.
A inteligência artificial intervém para acelerar a previsão de defeitos
Pesquisadores liderados pelo professor Jun-Hee Na, da Universidade Nacional de Chungnam, na Coreia do Sul, introduziram agora um método mais rápido para prever padrões de defeitos estáveis usando aprendizado profundo. Seu trabalho substitui simulações numéricas lentas e computacionalmente caras por métodos baseados em inteligência artificial que podem fornecer resultados mais rapidamente.
O método, publicado na revista Small, pode gerar previsões em milissegundos, em vez das horas normalmente exigidas pelas simulações tradicionais.
“Nosso método complementa simulações lentas com previsões rápidas e confiáveis, facilitando a exploração sistemática de regiões ricas em defeitos”, disse o professor Na.
Por dentro do modelo de aprendizagem profunda
A equipe construiu o sistema usando a arquitetura 3D U-Net, uma rede neural convolucional comumente usada em análise de imagens científicas e médicas. Este design permite que o modelo identifique alinhamento em grande escala e detalhes locais associados a defeitos. Em vez de executar simulações passo a passo, esta estrutura liga diretamente as condições de contorno ao estado de equilíbrio final. As informações de limite são alimentadas na rede, que então prevê o campo completo de alinhamento molecular, incluindo a forma e a localização dos defeitos.
Para treinar o modelo, os pesquisadores usaram dados de simulação tradicionais cobrindo diversos cenários de alinhamento. Após o treinamento, a rede é capaz de prever com precisão configurações completamente novas que nunca encontrou antes. Essas previsões estão de acordo com os resultados de simulações e experimentos de laboratório.
Lidar com defeitos complexos e consolidados
O modelo não depende de equações físicas explícitas, mas aprende o comportamento do material diretamente a partir dos dados. Isto lhe dá flexibilidade para lidar com situações particularmente complexas, incluindo defeitos topológicos de ordem superior, onde os defeitos podem se fundir, dividir ou reorganizar. Os experimentos confirmaram que a IA capturou esses comportamentos corretamente, mostrando que ela teve um desempenho confiável em diversas condições.
Acesso mais rápido a materiais avançados
Como o método permite aos cientistas explorar rapidamente muitas possibilidades de projeto, ele também cria novas oportunidades para projetar materiais com estruturas de defeitos cuidadosamente controladas. Essas capacidades são particularmente valiosas para óptica e metamateriais avançados.
“Ao encurtar drasticamente o processo de desenvolvimento de materiais, o design orientado por IA pode acelerar a criação de materiais inteligentes com aplicações que vão desde displays holográficos e VR ou AR até sistemas ópticos adaptativos e janelas inteligentes que respondem ao ambiente”, disse o professor Na.
