A IA que descobriu 2,2 milhões de novos materiais — e o que isso muda na engenharia

Em resumo: uma inteligência artificial do Google DeepMind, chamada GNoME, previu a existência de 2,2 milhões de novos cristais inorgânicos — e cerca de 380 mil deles são estáveis, candidatos reais a virar material de verdade. É o equivalente a 800 anos de descobertas científicas no ritmo tradicional, gerado em uma fração desse tempo. Para a engenharia — de baterias e semicondutores a supercondutores e materiais estruturais — significa que o gargalo deixou de ser “imaginar o material” e passou a ser “fabricar e testar”.

O que a IA descobriu, exatamente?

O sistema GNoME (sigla para Graph Networks for Materials Exploration) usa redes neurais de grafos para prever, a partir da composição química e da estrutura atômica, se um novo material seria estável — ou seja, se ele se manteria coeso em vez de se desfazer. Treinado e refinado em ciclos sucessivos, ele chegou a 2,2 milhões de estruturas cristalinas inéditas, das quais cerca de 380 mil são termodinamicamente estáveis.

Para dimensionar: até então, a humanidade havia catalogado experimentalmente algo na casa das dezenas de milhares de materiais inorgânicos estáveis ao longo de toda a história. A IA multiplicou esse universo por um fator de quase dez de uma só vez — e tornou os dados públicos para a comunidade científica.

Por que isso é uma revolução para a engenharia?

Porque praticamente toda a engenharia esbarra, em algum ponto, nos limites dos materiais. A bateria que não dura. O semicondutor que esquenta. O concreto que trinca. A liga que corrói. Historicamente, descobrir um material melhor era um processo de tentativa e erro que podia levar anos ou décadas de laboratório.

O que a IA faz é inverter a lógica. Em vez de testar fisicamente milhares de combinações na esperança de acertar uma, o algoritmo filtra o espaço de possibilidades antes da bancada, apontando os candidatos mais promissores. O engenheiro deixa de procurar agulha no palheiro e passa a receber o palheiro já peneirado.

O gargalo da inovação em materiais deixou de ser a imaginação. Passou a ser a velocidade com que conseguimos sintetizar e validar o que a máquina já previu.

Quais setores sentem o impacto primeiro?

• Energia: novos condutores de íons de lítio para baterias mais densas e seguras — o coração da eletrificação e do armazenamento de energia renovável.
• Eletrônica: semicondutores e materiais para chips mais eficientes, num momento em que o mundo disputa cada nanômetro de desempenho.
• Supercondutores: candidatos a conduzir eletricidade sem perdas, com implicações enormes para transmissão e transporte.
• Materiais estruturais: ligas e compostos com melhor relação resistência/peso, que interessam de perto à engenharia civil, mecânica e aeroespacial.

Quer dizer que a IA vai substituir o engenheiro de materiais?

Não — e essa é a parte importante. A IA prevê quais materiais poderiam existir e ser estáveis. Mas prever não é fabricar. Cada candidato ainda precisa ser sintetizado em laboratório, caracterizado e testado em condições reais. É aí que entra o trabalho humano: laboratórios autônomos já começam a usar braços robóticos guiados por essas previsões para produzir e validar amostras, mas o julgamento de engenharia — viabilidade, custo, escala industrial — segue insubstituível.

O que muda é o papel. Em vez de gastar anos buscando o candidato certo, o engenheiro passa a orquestrar um funil onde a máquina sugere e a bancada confirma. É mais uma evidência de que, na engenharia da próxima década, quem domina a ferramenta de IA larga na frente de quem a ignora.

O que esperar a partir daqui?

A tendência é clara: bancos de dados abertos de materiais previstos por IA, laboratórios autônomos acelerando a síntese e uma corrida global para transformar previsão em produto. Para o engenheiro brasileiro, fica a lição prática — acompanhar de perto essa fronteira deixou de ser curiosidade acadêmica e virou questão de competitividade profissional.

Perguntas frequentes

O que é o GNoME?
É um sistema de inteligência artificial do Google DeepMind que usa redes neurais de grafos para prever novos materiais cristalinos estáveis a partir de sua estrutura atômica.

Quantos materiais a IA descobriu?
Cerca de 2,2 milhões de novas estruturas cristalinas, das quais aproximadamente 380 mil são consideradas estáveis e candidatas a aplicação real.

Esses materiais já estão sendo usados?
Ainda não em escala. A previsão é apenas o primeiro passo: cada material precisa ser sintetizado, caracterizado e testado em laboratório antes de chegar a uma aplicação de engenharia.

Por que isso importa para a engenharia?
Porque acelera drasticamente a descoberta de materiais melhores para baterias, eletrônica, supercondutores e estruturas — reduzindo de anos para meses a etapa de identificar candidatos promissores.