Estratégia de otimização bayesiana baseada em mapeamento de elementos permitindo projeto direto de materiais: um estudo de caso em cátodos do tipo NASICON

Atalhos mais inteligentes para baterias melhores

Projetar novos materiais para baterias tradicionalmente significou anos de tentativa e erro no laboratório e no computador. Este estudo mostra como uma estratégia de busca mais inteligente pode acelerar dramaticamente esse processo, usando estatística e química em conjunto para localizar ingredientes promissores para a próxima geração de baterias de íon-sódio, uma alternativa de menor custo às células de íon-lítio atuais.

Por que precisamos de novas receitas para baterias

As baterias de íon-lítio alimentam celulares, laptops e carros elétricos, mas o lítio é relativamente escasso e caro. As baterias de íon-sódio, que usam o sódio comum do sal de cozinha em vez do lítio, estão emergindo como uma opção mais barata e sustentável. Um material à base de sódio especialmente promissor, chamado NVPF, já oferece carregamento rápido e alta tensão de operação. No entanto, ele não consegue utilizar completamente todo o sódio disponível, deixando capacidade valiosa por aproveitar. Quando sódio extra é adicionado, o material entra em um estado de “excesso de sódio” que é termodinamicamente instável e opera fora da janela de tensão segura e prática usada em dispositivos reais. Estabilizar esse estado rico em sódio sem danificar a estrutura cristalina é um desafio-chave para tornar as baterias de íon-sódio verdadeiramente competitivas.

Um mapa para explorar a Tabela Periódica

Procurar versões melhores do NVPF significa testar muitas maneiras de trocar átomos de vanádio em sua estrutura por outros metais. O número de combinações possíveis cresce rapidamente, e testar cada uma com simulações quântico-mecânicas detalhadas é excessivamente caro. Os autores lidam com isso usando otimização bayesiana — uma estratégia que escolhe o próximo experimento mais informativo com base no que já foi aprendido. Contudo, métodos bayesianos padrão preferem entradas numéricas suaves, não categóricas e abruptas como os nomes dos elementos. Para preencher essa lacuna, a equipe inventou um esquema de “mapeamento de elementos” que traduz cada elemento em uma pontuação numérica contínua que reflete como ele se comporta quando substitui o vanádio no NVPF. Essas pontuações, derivadas de cálculos quânticos, capturam quão facilmente cada elemento aceita elétrons durante o carregamento e descarregamento da bateria.

Transformando química em uma paisagem suave

Com cada elemento codificado como uma “pontuação unária” contínua, o conjunto antes discreto de opções torna-se uma paisagem química suave que a otimização bayesiana pode navegar. O algoritmo propõe um par de elementos para testar, os pesquisadores calculam como essa combinação afeta o perfil teórico de tensão do material, e então uma função de pontuação premia os casos em que todas as tensões da bateria caem nitidamente dentro da janela desejada de 2,5 a 4,3 volts. Esse novo ponto de dados atualiza o modelo estatístico, que então sugere a próxima combinação mais promissora. Como as pontuações unárias estão fortemente ligadas ao comportamento real de carregamento do material, a paisagem resultante é relativamente suave e fácil de prever, permitindo que o otimizador foque rapidamente nas regiões mais promissoras em vez de vagar às cegas.

Encontrando cátodos melhores com menos tentativas

Usando essa estrutura, os autores exploraram misturas binárias de 35 metais possíveis que poderiam assumir o papel do vanádio na estrutura do NVPF. Entre centenas de combinações teóricas, o algoritmo precisou de apenas 50 iterações para descobrir 16 composições cujas tensões calculadas ficam todas dentro da janela prática da bateria. Muitas dessas receitas favoráveis envolveram paládio, rênio, tungstênio ou chumbo em várias proporções, mas duas combinações se destacaram como particularmente realistas quando custo, densidade de energia e toxicidade foram considerados: uma misturando manganês com vanádio e outra misturando cobalto com vanádio. Análises adicionais da estrutura eletrônica mostraram que essas substituições ajudam por aceitarem mais carga eletrônica do que o vanádio puro, especialmente no estado rico em sódio, o que auxilia a estabilizar o sódio extra em vez de desencadear mudanças estruturais danosas.

Além da tentativa e erro na descoberta de materiais

Para não especialistas, a conclusão principal é que os autores construíram uma espécie de GPS inteligente para a Tabela Periódica. Ao converter cada elemento em um número sensível à química e alimentar isso em um ciclo de otimização bayesiana, eles conseguem localizar materiais de bateria de alto desempenho com muito menos simulações caras do que buscas em grade tradicionais ou mesmo alguns selecionadores modernos baseados em aprendizado profundo. No caso-teste, essa abordagem não só identificou várias novas composições candidatas a cátodos para baterias de íon-sódio, como também explicou por que elas funcionam — porque os elementos escolhidos podem acomodar mais elétrons e sódio em tensões úteis de forma segura. A mesma estratégia pode ser adaptada a muitos outros desafios de materiais, de catalisadores a ligas, sempre que cientistas precisarem vasculhar amplos espaços combinatoriais em busca de agulhas raras e de alto desempenho no palheiro.

Citação: Park, S., Shim, Y., Hur, J. et al. Element mapping-based Bayesian optimization framework enabling direct materials design: a case study on NASICON-type cathode materials. npj Comput Mater 12, 92 (2026). https://doi.org/10.1038/s41524-026-01958-6

Palavras-chave: baterias de íon-sódio, otimização bayesiana, descoberta de materiais, projeto de cátodos, mapeamento de elementos