Banca de DEFESA: HELDER HENRIQUE ALVES BEZERRA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: HELDER HENRIQUE ALVES BEZERRA
DATA : 26/02/2026
HORA: 14:00
LOCAL: Sala de Videoconferência do Departamento de Física
TÍTULO:

Integrando Modelos de Aprendizado de Máquina para Otimizar a Descoberta Computacional de Novos Materiais

PALAVRAS-CHAVES:

Informática de Materiais, Descoberta de Novos Materiais, Inteligência Artificial.

PÁGINAS: 128
RESUMO:

Nas últimas décadas, a comunidade científica tem dedicado esforços crescentes para acelerar
a descoberta de novos compostos. Ao longo dessa trajetória, a pesquisa em materiais
evoluiu por meio dos paradigmas empírico, teórico e computacional, culminando no atual paradigma
orientado por dados. Nesse contexto, a Informática de Materiais, reforçada por técnicas
de inteligência artificial (IA), tem se consolidado como uma abordagem poderosa para a descoberta
de novos materiais. Ao explorar grandes bancos de dados de materiais, modelos de IA são
capazes de aprender relações complexas entre composição, estrutura cristalina e propriedades
físicas, permitindo previsões rápidas e a geração de novos compostos candidatos.
Neste trabalho, é proposto um workflow computacional que integra diferentes ferramentas
baseadas em IA para melhorar a triagem de novos candidatos a materiais. As estruturas são
geradas por um modelo generativo e por um sistema de recomendação, sendo posteriormente
avaliadas por um modelo preditor de energias, forças e tensões para a análise da estabilidade
termodinâmica e dinâmica das estruturas candidatas. Nessa etapa, emprega-se uma versão
do modelo calculador original que foi refinada por meio de fine-tuning realizado durante este
trabalho. Esse tipo de abordagem permite uma exploração mais eficiente do espaço químico,
concentrando-se nos candidatos mais promissores e reduzindo o custo computacional associado
aos métodos ab initio tradicionais.
Os resultados demonstram a eficácia do workflow integrado na identificação de compostos
termodinamicamente e dinamicamente estáveis, evidenciando o potencial de abordagens orientadas
por IA para acelerar a descoberta de materiais com aplicações tecnológicas relevantes.
Apesar disso, tais previsões devem ser interpretadas com cautela, uma vez que modelos baseados
em aprendizado de máquina estão sujeitos a imprecisões inerentes às suas aproximações.
Dessa forma, as estruturas candidatas identificadas devem ser posteriormente validadas por
cálculos de primeiros princípios, como DFT, e, quando possível, por verificação experimental,
de modo a confirmar sua estabilidade e propriedades físicas. Portanto, destaco o papel deste
trabalho de servir como um protótipo de trabalhos mais robustos que possam se basear ou
inspirar nesta metodologia.

 

MEMBROS DA BANCA:
Interno - 3149751 - JOÃO NUNO BARBOSA RODRIGUES
Interno - 3091529 - MICHAEL CABRERA BAEZ
Externo à Instituição - GUSTAVO MARTINI DALPIAN - USP