Em uma instalação avançada, os robôs cozinheiros de linha estão revolucionando a maneira de criar novos materiais, trabalhando incessantemente em uma sala repleta de equipamentos de alta tecnologia. No Laboratório Nacional Lawrence Berkeley e na UC Berkeley, o cientista de materiais Gerbrand Ceder observa com satisfação enquanto um braço robótico executa a tarefa complexa de selar vasilhas de plástico vazias. 'Esses caras podem trabalhar a noite toda', comenta Ceder, destacando a eficiência dessas máquinas.

O A-Lab, como é chamado o laboratório, está abastecido com ingredientes como óxido de níquel e carbonato de lítio, e tem como objetivo desenvolver novos materiais potencialmente úteis para futuros designs de baterias. Os resultados desse processo automatizado são imprevisíveis, e os robôs podem acabar produzindo tanto um pó fino quanto uma massa derretida e pegajosa. Diante dos resultados, Ceder aponta que cabe aos humanos, ou aos próprios robôs, analisar, ajustar a receita e tentar novamente. 'Você lhes dá algumas receitas pela manhã e ao voltar para casa pode encontrar um belo novo soufflé', diz Kristin Persson, cientista de materiais e colaboradora próxima de Ceder no LBNL, além de sua esposa.

Com a contribuição de um programa de IA chamado GNoME, desenvolvido pela Google DeepMind, a capacidade dos robôs de Ceder para criar novos materiais cresceu exponencialmente. Treinado com dados do Materials Project, uma base de dados com 150.000 materiais conhecidos gerenciada por Persson, o sistema de IA projetou 2,2 milhões de novos cristais, dos quais 380.000 foram previstos como estáveis, aumentando consideravelmente o espectro de materiais estáveis conhecidos. Em um artigo publicado hoje na Nature, os autores sugerem que o próximo eletrólito de estado sólido ou materiais para células solares podem estar escondidos nessa ampla base de dados.

Para validar o modelo de IA e as técnicas robóticas do laboratório autônomo, uma série de experimentos recentes no LBNL conseguiu criar 41 dos materiais teorizados em 17 dias, conforme publicado também na Nature. O processo seletivo de materiais estáveis, aqueles cujos átomos estão em seu estado energético mais baixo, é crucial e uma prática milenar, que evoluiu de observações na natureza para o desenho assistido por computador. Porém, Persson destaca o problema do 'efeito Edison', onde o conhecimento acumulado tende a favorecer estruturas e elementos familiares, limitando a descoberta de novos materiais. A integração de robôs e IA na pesquisa de materiais promete superar esses vieses históricos e acelerar a inovação.