Pesquisadores da Universidade Tecnológica de Nanyang e seus colaboradores exploraram com sucesso o poder do Chat-GPT para simplificar a análise de texto da síntese de estado sólido, com foco em calcogenetos ternários. Esta abordagem inovadora visa otimizar a síntese de materiais cristalinos de alta qualidade, que são essenciais para dispositivos termoelétricos avançados. O estudo, liderado pelo Dr. Kedar Hippalgaonkar da Universidade Tecnológica de Nanyang e também envolvendo o Dr. Maung Thway, o Sr. Andre Low, o Dr. Haiwen Dai, o Dr. Jose Recatala-Gomez e o Dr. Andy Chen da Universidade Tecnológica de Nanyang e o Sr. Samyak Khetan do IIT Bombay, foi publicado na revista Digital Discovery.
A síntese do estado sólido é um método chave para a descoberta de novos materiais inorgânicos, particularmente aqueles para aplicações termoelétricas que convertem energia térmica em eletricidade. Os métodos tradicionais de síntese baseados em dados exigem extração manual meticulosa e limpeza de receitas de síntese de grandes quantidades de texto. Este processo não só é demorado, mas também apresenta uma grande barreira de entrada, especialmente para materiais pouco documentados.
Para enfrentar esses desafios, a equipe propõe o uso de grandes modelos de linguagem (LLMs), como o GPT-3.5, que podem ser usados no Chat-GPT para analisar receitas de síntese, capturando intuitivamente informações essenciais de síntese em termos de picos de aquecimento maiores e menores. Ao desenvolver um conjunto de dados com curadoria de especialistas do domínio (padrão ouro), eles criaram um conjunto de prompts para Chat-GPT que replica esse conjunto de dados (padrão prata) com precisão extremamente alta.
A pesquisa concentra-se na síntese de calcogenetos ternários, como o CuInTe/Se, conhecidos por suas propriedades termoelétricas em temperaturas intermediárias. O Chat-GPT analisou com sucesso uma grande parte de um banco de dados de artigos de pesquisa, que foi então usado para desenvolver um classificador para prever a pureza da fase. A metodologia demonstra a versatilidade do LLM na análise de texto, fornecendo um paradigma potencialmente transformador para a síntese e caracterização de novos materiais.
Hippalgaonkar enfatizou a importância de seu trabalho, dizendo: “Nossa abordagem fornece um roteiro para esforços futuros que buscam integrar o LL.M. à pesquisa em ciência de materiais, anunciando um paradigma potencialmente transformador na síntese e caracterização de novos materiais.”
Os pesquisadores extraíram cuidadosamente dados de artigos publicados entre 2000 e 2023, com foco em CuInTe/Se, excluindo métodos como síntese de soluções e o método Bridgeman. Eles identificaram os fatores-chave para a obtenção de compostos puros: aquecimento primário, aquecimento secundário, recozimento e densificação. Os prompts são refinados iterativamente para garantir que detalhes relevantes da síntese sejam extraídos em um formato estruturado.
Os dados extraídos permitem uma análise abrangente das condições de síntese, mostrando que o aquecimento secundário, o recozimento e o aquecimento primário afetam significativamente a pureza da fase. Seu classificador de árvore de decisão demonstra o potencial do uso de aprendizado de máquina para prever resultados sintéticos a partir de dados de análise de texto.
“Os dados na síntese de estado sólido podem ser tendenciosos para formulações positivas, e conjuntos de dados balanceados são necessários para avançar no campo”, disse o Dr. Thway concordou: “Nossa metodologia demonstra a generalidade dos grandes modelos de linguagem (LLMs) para análise de texto, especialmente para material escassamente documentado”. Seu trabalho também demonstra o potencial do Chat-GPT para interpolar e extrapolar condições de síntese para materiais semelhantes, sugerindo uma abordagem prática para a síntese de novos compostos.
Esta pesquisa destaca a importância de combinar ferramentas avançadas de inteligência artificial com métodos tradicionais de ciência de materiais, abrindo caminho para processos de síntese mais eficientes e precisos. O sucesso do Dr. Hippalgaonkar e sua equipe com Chat-GPT abre novos caminhos para alavancar o LL.M. na pesquisa científica, especialmente em áreas com literatura limitada e necessidades complexas de extração de dados.
Referência do diário
Maung Thway, Andre KY Low, Samyak Khetan, Haiwen Dai, Jose Recatala-Gomez, Andy Paul Chen e Kedar Hippalgaonkar. “Análise de texto em síntese de estado sólido usando GPT-3.5 – Um estudo de caso de calcogenetos ternários.” Descoberta Digital, 2024. doi: https://doi.org/10.1039/D3DD00202K
Sobre o autor
Professor Associado Kedar Shipalgaonkar Ele é membro da NRF (turma de 2021), nomeado conjuntamente pelo Departamento de Ciência e Engenharia de Materiais da Universidade Tecnológica de Nanyang (NTU) e cientista sênior do Instituto de Pesquisa e Engenharia de Materiais (IMRE), Agência de Ciência, Tecnologia e Pesquisa de Cingapura (A*STAR). Ele liderou o programa Accelerated Materials Development and Manufacturing (AMDM) de 2018 a 2023, que se concentrou no desenvolvimento de novos materiais, processos e otimização usando aprendizado de máquina, inteligência artificial e computação de alto rendimento e experimentação de materiais e polímeros eletrônicos e plasmônicos. De 2016 a 2020, também liderou o projeto Pharos sobre termoeletricidade híbrida (inorgânica-orgânica) para aplicações ambientais. Ele publicou mais de 70 artigos de pesquisa, foi cofundador de uma empresa start-up (Xinterra, Inc.), ganhou o prêmio START do Ministério da Educação em 2021 e foi nomeado Pesquisador Emergente do Journal of Materials Chemistry em 2019. Ele foi nomeado Jovem Líder da Sociedade de Ciência e Tecnologia de Kyoto em 2015. Ele recebeu a Medalha de Prata da Sociedade de Pesquisa de Materiais em 2014 por sua excelente pesquisa de pós-graduação. Ele recebeu o título de Bacharel em Ciências (com distinção) pelo Departamento de Engenharia Mecânica da Purdue University em 2003 e o título de Doutor em Filosofia pelo Departamento de Engenharia Mecânica da Universidade da Califórnia, Berkeley, em 2014, apoiado pela A*STAR National Science Foundation. Durante seu doutorado, ele investigou os fundamentos de calor, carga e luz em materiais no estado sólido.
Dr. Maung Si Wai é pesquisador do Application of Teaching Analytics for Students (ATLAS) da Universidade Tecnológica de Nanyang. A sua investigação envolve o impacto das aplicações Gen-AI na aprendizagem universitária. Anteriormente, foi pesquisador do Professor Associado Kedar Hippalgaonkar na Escola de Ciência e Engenharia de Materiais, desenvolvendo métodos para acelerar a descoberta de materiais. Ele recebeu seu PhD em Engenharia Elétrica pela Universidade Nacional de Cingapura em 2020. Sua pesquisa de doutorado incluiu a fabricação, caracterização e integração de células solares tandem de perovskita/silício e III-V/silício.
André Kay Lowe Estudante de pós-graduação no Departamento de Ciência e Engenharia de Materiais da Universidade Tecnológica de Nanyang, em Cingapura, seu supervisor é o Professor Associado Kedar Hippalgaonkar. Sua tese foi sobre o desenvolvimento e aplicação de algoritmos de otimização multiobjetivo restritos para acelerar a descoberta de materiais. Andre recebeu uma bolsa de pós-graduação A*STAR afiliada ao Instituto de Pesquisa e Engenharia de Materiais. Andre obteve anteriormente o diploma de bacharel em ciência e engenharia de materiais pela Universidade Tecnológica de Nanyang e atuou como orador da turma de 2021.
José Recatara Gomez Pesquisador do Departamento de Ciência e Engenharia de Materiais da Universidade Tecnológica de Nanyang, Cingapura, trabalhando na equipe do Professor Associado Kedar Hippalgaonkar. Ele se concentra na combinação de inteligência artificial generativa e aprendizado de máquina com síntese de estado sólido de alto rendimento para descobrir materiais inorgânicos para aplicações energéticas e ambientais. Jose recebeu seu bacharelado em química pela Universidad Jaume I, Espanha, em 2015, seu mestrado em materiais avançados pela Universidad Autònoma de Madrid, Espanha, em 2016, e seu doutorado pela University of Southampton, Reino Unido, em 2021. Ele recebeu uma bolsa A*STAR Research Apprenticeship Program (ARAP) e estudou no Institute of Materials Research and Engineering (IMRE) em Cingapura por dois anos.
