Os cristais líquidos nemáticos fornecem um ambiente particularmente útil para estudar esses defeitos. Nesse tipo de material, as moléculas podem girar livremente enquanto ainda apontam em direções semelhantes. Essa combinação torna os cristais líquidos fáceis de controlar e observar, permitindo que os pesquisadores acompanhem como os defeitos aparecem, se deslocam e se reorganizam ao longo do tempo. Tradicionalmente, os cientistas descrevem essas estruturas utilizando a teoria de Landau-de Gennes, uma estrutura matemática que explica como a ordem molecular colapsa dentro dos núcleos de defeitos, onde a orientação não possui uma definição clara.

A IA Entra em Cena para Acelerar a Previsão de Defeitos

Pesquisadores liderados pelo Professor Jun-Hee Na da Universidade Chungnam, na República da Coreia, agora introduziram uma maneira mais rápida de prever padrões de defeitos estáveis usando aprendizado profundo. O trabalho deles substitui simulações numéricas lentas e computacionalmente caras por uma abordagem baseada em IA que fornece resultados muito mais rapidamente.

O método, publicado na revista Small, pode gerar previsões em milissegundos, em vez das horas normalmente exigidas por simulações convencionais.

“Nossa abordagem complementa simulações lentas com previsões rápidas e confiáveis, facilitando a exploração sistemática de regimes ricos em defeitos”, afirma o Prof. Na.

Dentro do Modelo de Aprendizado Profundo

A equipe construiu seu sistema usando uma arquitetura U-Net 3D, um tipo de rede neural convolucional comumente usada na análise de imagens científicas e médicas. Esse design permite que o modelo reconheça tanto o alinhamento em grande escala quanto os detalhes locais finos associados aos defeitos. Em vez de executar simulações passo a passo, a estrutura conecta diretamente as condições de contorno ao estado de equilíbrio final. As informações de contorno são fornecidas à rede, que então prevê todo o campo de alinhamento molecular, incluindo as formas e posições dos defeitos.

Para treinar o modelo, os pesquisadores utilizaram dados de simulações tradicionais que cobriam muitos cenários de alinhamento diferentes. Depois de treinado, a rede foi capaz de prever com precisão novas configurações que nunca havia encontrado antes. Essas previsões corresponderam de perto aos resultados de simulações e experimentos de laboratório.

Tratando Defeitos Complexos e Mesclantes

Em vez de depender de equações físicas explícitas, o modelo aprende o comportamento do material diretamente dos dados. Isso lhe confere a flexibilidade para lidar com casos especialmente complicados, incluindo defeitos topológicos de ordem superior, onde os defeitos podem mesclar, se separar ou se rearranjar. Experimentos confirmaram que a IA capturou corretamente esses comportamentos, mostrando que ela opera de maneira confiável em uma ampla variedade de condições.

Caminhos Mais Rápidos para Materiais Avançados

Como a abordagem permite que os cientistas explorem rapidamente muitas possibilidades de design, também cria novas oportunidades para projetar materiais com estruturas de defeitos cuidadosamente controladas. Essas capacidades são especialmente valiosas para dispositivos ópticos avançados e metamateriais.

“Ao encurtar drasticamente o processo de desenvolvimento de materiais, o design orientado por IA poderia acelerar a criação de materiais inteligentes para aplicações que vão desde exibições holográficas e de realidade virtual ou aumentada até sistemas ópticos adaptativos e janelas inteligentes que respondem ao seu ambiente”, diz o Prof. Na.