Aprendizado profundo conduz reações moleculares autônomas com seletividade por ligação única em porfirinas tetrabromadas sobre Au(111)

Ensinando máquinas a ajustar moléculas uma ligação por vez

Os químicos há muito sonham em controlar reações com a precisão de um relojoeiro, mudando exatamente uma ligação em exatamente uma molécula sob comando. Este estudo mostra como a inteligência artificial pode dar um grande passo rumo a esse sonho: um sistema controlado por computador que localiza moléculas individuais numa superfície e rompe ligações químicas escolhidas por conta própria, sem intervenção humana nos controles. Esse tipo de controle poderia, eventualmente, permitir que "escrevamos" novos materiais átomo por átomo e exploremos estruturas moleculares exóticas que a química convencional em tubos de ensaio dificilmente alcança.

Por que ligações únicas importam

A maioria das reações químicas ocorre em massa: inúmeras moléculas colidem e se rearranjam conforme regras gerais da termodinâmica e da cinética. Embora isso funcione bem para muitas aplicações, é como tentar esculpir mármore com um martelo em vez de um cinzel fino. Se os cientistas pudessem selecionar uma única ligação em uma única molécula e decidir se ela permanece ou se rompe, poderiam construir padrões moleculares sob medida para eletrônica de próxima geração, dispositivos quânticos e armazenamento de dados ultradenso. Microscópios de tunelamento (STMs) já permitem que especialistas imaginem e interajam com moléculas individuais em superfícies metálicas com resolução atômica. Mas até agora, executar essas reações dependia da intuição e da paciência humanas, limitando a reprodutibilidade, a escalabilidade e a programabilidade do processo.

Transformando o microscópio em um laboratório autônomo

Os autores transformam um STM convencional em uma espécie de laboratório químico autônomo ao sobrepor múltiplas ferramentas de aprendizado profundo ao instrumento. Primeiro, um módulo de visão computacional varre grandes áreas de uma superfície de ouro para identificar automaticamente moléculas-alvo isoladas e então amplia para uma visão detalhada. Redes neurais adicionais traçam o contorno de cada molécula, determinam sua orientação e inspecionam quatro cantos específicos onde se localizam átomos de bromo. Ao analisar pequenos trechos de imagem nesses cantos, o sistema decide se cada bromo ainda está ligado ou foi removido em uma etapa anterior, mantendo efetivamente o rastreamento do estado “ligação a ligação” da molécula sem a necessidade de um operador humano interpretar as imagens.

Um agente de IA que aprende a romper ligações

Uma vez que a molécula é reconhecida e seu estado atual é conhecido, um agente de aprendizado por reforço escolhe como agir. Ele trata cada tentativa de romper uma ligação como um movimento num jogo complexo, em que a posição da ponta do STM, a voltagem e a corrente são suas jogadas, e a mudança molecular resultante é o feedback. O sistema codifica os quatro estados de ligação como um padrão simples de quatro bits e acrescenta um código para qual trajetória geral se pretende seguir. Usando um algoritmo moderno chamado soft actor-critic, o agente aprende gradualmente quais combinações de posicionamento da ponta e pulso elétrico levam a uma ruptura limpa de uma única ligação carbono–bromo, quais não provocam efeito e quais danificam ou reagem exageradamente com a molécula. Existe uma janela estreita de parâmetros segura e eficaz, e no início do treinamento a maioria das tentativas falha, mas reproduzindo e aumentando suas experiências, inclusive aproveitando a simetria quádrupla da molécula, o agente converge para estratégias confiáveis.

Programando jornadas moleculares em vários passos

Após cerca de um dia e meio de treinamento contínuo, com centenas de tentativas de reação, o sistema consegue realizar rotas reacionais pré-desenhadas de múltiplos passos com sucesso notável. A molécula de teste, uma porfirina tetrabromada sobre uma superfície de ouro, começa com quatro braços equivalentes contendo bromo. A IA é instruída a seguir diferentes padrões sequenciais de remoção de ligações — como sequências “ortogonais” ou em “zigue-zague” — cada uma passando por intermediários distintos antes de terminar em uma molécula totalmente desbromada mais quatro átomos de bromo livres na superfície. Para cada etapa, o agente escolhe automaticamente onde posicionar a ponta, quão forte deve ser o pulso de voltagem e quanta corrente usar, verifica o resultado com seu sistema de visão e então decide o próximo passo. Com o tempo descobre que são necessárias voltagens mais altas à medida que mais bromos são removidos e que posicionar a ponta bem acima da ligação alvo maximiza a chance de sucesso.

De eventos únicos à fabricação futuro átomo a átomo

Os pesquisadores mostram, em última instância, que sua plataforma pode guiar repetidamente a molécula por quatro trajetórias reacionais distintas mantendo seletividade por ligação única, alcançando taxas de sucesso que melhoram passo a passo e chegam a quase 80% na etapa final de quebra de ligação. Igualmente importante, o sistema se adapta quando a ponta microscópica muda de forma ou comportamento, reaprendendo rapidamente as melhores configurações em vez de travar. Para um leigo, a mensagem-chave é que o microscópio deixou de ser apenas um observador passivo e passou a ser uma ferramenta ativa e aprendente: ele pode encontrar moléculas, decidir qual ligação romper, aplicar o impulso adequado e verificar o resultado por conta própria. Essa combinação de instrumentação precisa e controle por IA aponta para um futuro em que cientistas poderão programar tarefas complexas de fabricação com precisão atômica, usando agentes de software para construir e explorar estruturas moleculares sob medida que seriam quase impossíveis de criar manualmente.

Citação: Zhu, Z., Huang, Q., Yang, T. et al. Deep learning drives autonomous molecular reactions with single-bond selectivity in tetra-brominated porphyrins on Au(111). Nat Commun 17, 2348 (2026). https://doi.org/10.1038/s41467-026-69080-1

Palavras-chave: química autônoma, reações de molécula única, microscopia de tunelamento de varredura, aprendizado por reforço profundo, síntese sobre superfície