Muitos padrões complexos observados na natureza surgem quando a simetria é quebrada. À medida que o sistema transita de um estado altamente simétrico para um estado mais ordenado, podem aparecer perturbações pequenas, mas estáveis. Essas características, conhecidas como defeitos topológicos, são encontradas em uma ampla variedade de escalas, desde a estrutura do universo até materiais comuns. Como aparecem onde quer que haja formas de ordem, oferecem aos cientistas uma forma poderosa de compreender como os sistemas complexos são organizados.
Os cristais líquidos nemáticos fornecem um meio particularmente útil para estudar esses defeitos. Neste tipo de material, as moléculas são livres para girar 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, mudam e se reorganizam ao longo do tempo. Tradicionalmente, os cientistas descrevem estas estruturas usando a teoria de Landau-de-Genes, uma estrutura matemática que explica como a ordem molecular se decompõe dentro de núcleos defeituosos, onde a orientação já não é bem definida.
IA intervém para acelerar a previsão de defeitos
Pesquisadores liderados pelo professor Jun-Hee Na, da Universidade Nacional de Chungnam, na República da Coreia, apresentaram agora uma maneira mais rápida de prever defeitos estáveis usando aprendizado profundo. Seu trabalho substitui simulações numéricas lentas e caras por uma abordagem baseada em IA que produz resultados muito mais rápidos.
O método, publicado na revista Small, pode gerar previsões em milissegundos, em vez das horas normalmente necessárias para simulações convencionais.
“Nossa abordagem complementa simulações lentas com previsões rápidas e confiáveis, facilitando o estudo sistemático de regimes ricos em defeitos”, diz o professor Na.
Por dentro do modelo de aprendizagem profunda
A equipe construiu seu sistema usando a arquitetura 3D da U-Net, um tipo de rede neural convolucional comumente usada em análise de imagens científicas e médicas. Este projeto permite que o modelo reconheça alinhamentos em grande escala e pequenos detalhes locais associados a defeitos. Em vez de executar uma simulação passo a passo, a estrutura liga diretamente as condições de contorno ao estado de equilíbrio final. As informações de limite são alimentadas na rede, que então prevê todo o campo de alinhamento molecular, incluindo formas e posições dos defeitos.
Para treinar o modelo, os pesquisadores usaram dados de simulações tradicionais que cobriram diversos cenários de alinhamento. Após o treinamento, a rede foi capaz de prever com precisão configurações completamente novas que nunca havia encontrado antes. Essas previsões correspondem de perto aos resultados de simulações e experimentos de laboratório.
Processamento de defeitos complexos e confluentes
Em vez de depender de equações físicas óbvias, o modelo aprende o comportamento do material diretamente a partir dos dados. Isto lhe dá flexibilidade para lidar com casos particularmente complexos, incluindo defeitos topológicos de ordem superior, onde os defeitos podem se fundir, separar ou reorganizar. Os experimentos confirmaram que a IA capturou corretamente esses comportamentos, mostrando que ela teve um desempenho confiável sob uma ampla gama de condições.
Caminhos mais rápidos para materiais avançados
Como esta abordagem permite aos cientistas explorar rapidamente muitas possibilidades de design, também abre novas oportunidades para projetar materiais com estruturas de defeitos cuidadosamente controladas. Essas capacidades são particularmente valiosas para dispositivos ópticos e metamateriais modernos.
“Ao reduzir drasticamente o processo de desenvolvimento de materiais, o design orientado por IA poderia acelerar a criação de materiais inteligentes para aplicações que vão desde displays holográficos e VR ou AR até sistemas ópticos adaptativos e janelas inteligentes que respondem ao ambiente”, diz o professor Na.
