Triagem precisa de materiais funcionais com potenciais gerados por aprendizado de máquina e regressões com transferência de aprendizado: benchmark em ligas Heusler

Por que acelerar a descoberta de materiais importa

As tecnologias modernas, de carros elétricos a centros de dados, dependem de materiais especializados cuja estrutura interna é ajustada para uma função muito específica. Uma classe importante, conhecida como ligas Heusler, pode atuar como ímãs potentes e leves para uso em sensores, dispositivos de memória e spintrônica. Mas encontrar as composições raras com a combinação certa de estabilidade e comportamento magnético tem sido dolorosamente lento, porque cada candidato normalmente exige cálculos quântico‑mecânicos pesados. Este artigo mostra como modelos avançados de aprendizado de máquina podem assumir a maior parte desse trabalho, vasculhando centenas de milhares de possibilidades e destacando os poucos materiais mais promissores muito mais rápido do que antes.

Explorando uma vasta paisagem de ligas

Os autores se concentram em uma família grande e estruturalmente rica de materiais chamada compostos Heusler, formados pela combinação de elementos metálicos e do grupo principal em um padrão cristalino regular. Buscas computacionais anteriores usando cálculos quânticos já haviam examinado versões mais simples de três elementos e descoberto que apenas cerca de meio por cento atendia a exigências rigorosas tanto de estabilidade quanto de forte direcionamento magnético. Neste estudo, a equipe amplia muito a busca para misturas mais complexas de quatro elementos e para versões formadas inteiramente por metais de transição, criando mais de 230.000 receitas químicas distintas a serem examinadas. Explorar um espaço de projeto tão enorme apenas com métodos convencionais seria computacionalmente avassalador.

Aprendizado de máquina como substituto de cálculos pesados

Para domar essa complexidade, os pesquisadores constroem um fluxo de trabalho de “alta vazão” no qual modelos de aprendizado de máquina imitam as etapas que os cálculos quânticos normalmente realizariam. Um tipo de modelo, chamado potencial interatômico universal, aprende a energia de um cristal a partir de muitos exemplos conhecidos e pode rapidamente relaxar um palpite inicial até sua forma mais estável. Outro conjunto de modelos, chamados regressores, então toma essas estruturas relaxadas e prevê propriedades chave: se os átomos vibram de modo estável, se o material é magnético, a que temperatura perde o magnetismo e com que intensidade sua magnetização prefere apontar em uma direção particular. Encadeando esses modelos, os autores conseguem avaliar cada material candidato em uma fração de segundo em vez de horas.

Tomando emprestado conhecimento por transferência de aprendizado

Uma inovação central é a forma como os modelos de predição de propriedades são treinados. Em vez de começar do zero em um conjunto de dados relativamente pequeno de Heusler, os autores partem de um potencial poderoso que foi previamente treinado em dezenas de milhões de ambientes atômicos abrangendo grande parte da tabela periódica. Eles “congelam” as camadas iniciais desse modelo, que já codificam regras gerais sobre como os átomos interagem, e re-treinam apenas as camadas finais para produzir propriedades magnéticas e vibracionais. Essa estratégia de transferência de aprendizado tanto melhora a precisão quanto ajuda os modelos a lidar com ligas que contêm elementos ou combinações que nunca viram durante o treinamento. Testes nos quais grupos inteiros de elementos foram omitidos durante o treinamento mostram que esse conhecimento emprestado aumenta substancialmente o desempenho em química desconhecida.

Encontrando gemas magnéticas raras e verificando-as cuidadosamente

Ao executar o pipeline completo de aprendizado de máquina em todos os candidatos, a equipe identifica 334 ligas Heusler de quatro elementos e 924 Heuslers totalmente metálicas que aparentam ser termodinamicamente estáveis e possuir forte anisotropia magnética juntamente com ordem magnética robusta e estabilidade vibracional. Para verificar que o atalho é confiável, eles então realizam cálculos quântico‑mecânicos completos em cada candidato selecionado. Para a maioria dos critérios de triagem, entre cerca de 80 e 99 por cento dos materiais escolhidos pela máquina passam nos testes mais rigorosos, demonstrando que os modelos não são apenas rápidos, mas também altamente precisos. O estudo também compara vários potenciais rivais de aprendizado de máquina e modelos antigos baseados em grafos, constatando que o mais novo potencial suave e expressivo combinado com regressores com transferência de aprendizado oferece, de longe, o melhor equilíbrio entre velocidade e confiabilidade.

Acelerando a descoberta muito além dos ímãs

Além da lista específica de novos ímãs Heusler aqui revelados, a mensagem mais ampla do trabalho é que modelos de aprendizado de máquina podem agora substituir cálculos quânticos custosos em grande parte de um pipeline padrão de triagem. Os autores estimam que uma pesquisa puramente baseada em métodos quânticos do mesmo espaço químico exigiria ordens de grandeza a mais de tempo de computação do que sua abordagem híbrida, mesmo antes de qualquer trabalho experimental começar. Ao tratar os modelos de aprendizado de máquina como substitutos diretos para relaxamento de estrutura e avaliação de propriedades, e refiná‑los conforme novos dados de alta qualidade chegam, os pesquisadores podem explorar espaços de projeto muito maiores para ímãs, termelétricos, baterias e outros materiais funcionais. Em termos práticos, isso significa que os raros materiais de classe superior necessários para tecnologias futuras podem ser encontrados mais cedo e com custo computacional muito menor.

Citação: Xiao, E., Tadano, T. Accurate screening of functional materials with machine-learning potential and transfer-learned regressions: Heusler alloy benchmark. npj Comput Mater 12, 133 (2026). https://doi.org/10.1038/s41524-026-02013-0

Palavras-chave: potenciais interatômicos por aprendizado de máquina, ligas Heusler, triagem em alta vazão, anisotropia magnética, descoberta de materiais