Arte editorial do Plugged Ninja sobre descoberta de materiais assistida por IA
A DAMO Academy, braço de pesquisa do grupo Alibaba, apresentou publicamente em 3 de julho de 2026 o ElementsClaw, um agente de inteligência artificial voltado à descoberta de supercondutores com IA. O sistema triou 2,4 milhões de estruturas cristalinas em cerca de 28 horas de GPU e apontou 68 mil candidatos de alta confiança. Quatro compostos indicados pelo agente foram efetivamente sintetizados e verificados como supercondutores em experimentos de laboratório.
O trabalho técnico está descrito no artigo Agentic Fusion of Large Atomic and Language Models to Accelerate Superconductor Discovery, submetido ao arXiv em 26 de abril de 2026 (identificador 2604.23758, versão 3 de 4 de maio de 2026), assinado por Mingze Li, Yu Rong, Wenbing Huang, Deli Zhao, Ji-Rong Wen e outros pesquisadores, em colaboração que envolve a Universidade Renmin da China e a Universidade da Academia Chinesa de Ciências.
O que distingue o caso de outros anúncios de descoberta de materiais assistida por IA é a etapa final: os materiais não ficaram como predições. Foram sintetizados e medidos.
A inteligência artificial já acelerou a descoberta de materiais por meio de predição e geração em alta vazão. Modelos generativos e de triagem produzem milhões de estruturas candidatas com facilidade. O gargalo, argumentam os autores, mudou de lugar: o problema difícil passou a ser a decisão.
Escolher qual candidato merece um experimento real exige resolver julgamentos multidimensionais que combinam cálculo numérico em escala atômica com raciocínio semântico de alto nível — conhecimento sobre síntese viável, sobre famílias estruturais conhecidas, sobre o que a literatura já testou e descartou. Sistemas puramente numéricos não fazem isso; modelos de linguagem sozinhos não têm precisão física.
Supercondutores são um caso especialmente duro. São materiais que conduzem eletricidade sem resistência abaixo de uma temperatura crítica (Tc). A base de dados de referência da área, o SuperCon3D, foi curada ao longo de décadas. Qualquer expansão relevante desse espaço tem valor científico e industrial — de imagem médica a transmissão de energia e computação quântica.
O ElementsClaw é um framework agêntico que orquestra duas classes de componentes.
A primeira é um conjunto de ferramentas de Large Atomic Model (LAM), ajustadas a partir de um modelo próprio chamado Elements, com 1 bilhão de parâmetros, responsável pelo cálculo numérico em nível atômico. Segundo o material divulgado pela DAMO, o Elements foi pré-treinado sobre uma base de aproximadamente 125 milhões de estruturas moleculares e cristalinas.
A segunda é o uso de modelos de linguagem para o raciocínio semântico — a camada que interpreta contexto, pondera plausibilidade de síntese e orienta a decisão sobre quais candidatos levar ao laboratório.
Essa arquitetura é descrita pela equipe como uma fusão de especialista e generalista: o componente especializado fornece precisão física, o generalista fornece julgamento.
O artigo apresenta um teste de sanidade antes do resultado principal, e ele é metodologicamente relevante. Aplicado ao domínio de supercondutores, o ElementsClaw redescobriu 66 supercondutores já verificados experimentalmente que estão ausentes da base padrão SuperCon3D. Ou seja: o sistema encontrou materiais que a literatura já confirmou, mas que a base de referência não registrava — evidência de que a triagem não estava apenas reproduzindo o conteúdo do conjunto de treinamento.
Em seguida, escalando para 2,4 milhões de cristais em equilíbrio, o agente identificou 68 mil candidatos de alta confiança em 28 horas de GPU.
Guiada pelo raciocínio do agente, a equipe sintetizou e verificou quatro supercondutores inéditos:
| Composto | Temperatura crítica (Tc) | Rota de identificação |
|---|---|---|
| Zr₃ScRe₈ | 6,5 K | guiado por motivo estrutural |
| HfZrRe₄ | 5,9 K | gerado de novo |
| Zr₄VRe₇ | 3,5 K | reinterpretação estrutural |
| Hf₂₁Re₂₅ | 2,5 K | latente na base de dados |
As quatro rotas diferentes são, em si, parte do resultado. Mostram que o agente não opera por um único mecanismo: um material veio de geração inteiramente nova, outro de reinterpretação de uma estrutura conhecida, e um quarto estava implícito na base de dados sem ter sido reconhecido como candidato.
A DAMO Academy também abriu o acesso à base completa das 2,4 milhões de estruturas cristalinas estáveis previstas, incluindo os indicadores de supercondutividade e as predições de temperatura, por meio de seu portal de desenvolvedores.
O ponto forte do trabalho é o fechamento do laço. A maior parte dos anúncios de descoberta de materiais por IA para na predição; aqui há síntese e medição experimental de quatro compostos. Isso muda a natureza da evidência: não é uma promessa de utilidade futura, é um resultado verificado.
A liberação da base de 2,4 milhões de estruturas amplia o impacto para além da equipe. Grupos de pesquisa com capacidade experimental, mas sem infraestrutura computacional de grande porte, ganham um ponto de partida que levaria anos para ser construído internamente.
Do ponto de vista de eficiência, as 28 horas de GPU são um número expressivo quando comparadas a décadas de curadoria manual — mas é preciso ler esse dado com cuidado. Ele mede o custo da etapa de triagem, não o custo total do projeto, que inclui o pré-treinamento do modelo Elements sobre 125 milhões de estruturas e o trabalho experimental de síntese e caracterização.
E aqui entram as limitações, que precisam ser ditas com clareza para não superdimensionar o resultado.
As temperaturas críticas encontradas são baixas: entre 2,5 K e 6,5 K, o que corresponde a aproximadamente -270,7 °C e -266,7 °C. São valores muito distantes de supercondutividade a temperatura ambiente e mesmo dos supercondutores de alta temperatura já conhecidos, que operam acima de 77 K (a temperatura do nitrogênio líquido). Não há, neste trabalho, nenhuma afirmação de avanço nessa direção, e nenhuma deveria ser inferida. O valor do resultado está no método, não na performance dos materiais.
Todos os quatro compostos são ligas contendo rênio, um elemento raro e caro. Isso limita aplicação prática direta, ainda que não reduza o valor científico da demonstração.
O artigo é um preprint no arXiv e, até o momento desta publicação, não consta revisão por pares concluída. A verificação experimental foi conduzida pela mesma equipe que propôs os candidatos — prática normal em pesquisa, mas que torna a replicação independente um passo importante e ainda pendente.
Por fim, o resultado é específico ao domínio de supercondutores. Generalização para outras classes de materiais é plausível pela arquitetura, mas não demonstrada neste trabalho.
O caso se encaixa em uma tendência mais ampla que vale nomear: agentes de IA aplicados a descoberta científica estão migrando de geração de hipóteses para orquestração de decisão. A contribuição central do ElementsClaw não é predizer melhor a supercondutividade de um composto isolado — é decidir, entre 68 mil candidatos, quais quatro valem o custo de um experimento.
Essa é uma função que historicamente dependia inteiramente do julgamento de pesquisadores experientes. Automatizá-la parcialmente altera a economia da pesquisa experimental, especialmente em campos onde cada tentativa de síntese custa semanas e recursos significativos.
Também é um indicador de posicionamento competitivo. O trabalho reúne um laboratório corporativo chinês, duas universidades chinesas e um modelo atômico proprietário de 1 bilhão de parâmetros, com liberação aberta do conjunto de dados resultante — combinação de estratégia industrial e ciência aberta que tem se tornado característica de vários grupos chineses de pesquisa em IA.
O ElementsClaw demonstra, com evidência experimental, que um agente de IA pode conduzir o ciclo completo de triagem, decisão e indicação de alvos em descoberta de materiais, com resultados confirmados em laboratório. Quatro supercondutores inéditos, quatro rotas distintas de identificação e uma base aberta de 2,4 milhões de estruturas são entregas concretas.
Ao mesmo tempo, os materiais encontrados têm temperaturas críticas baixas e composições caras, e a validação independente ainda está por vir. O trabalho é relevante como demonstração metodológica, não como avanço em desempenho de supercondutores.
O que vale acompanhar a seguir: se o método será aplicado a outras classes de materiais, se grupos independentes reproduzirão as sínteses, e se o artigo passará por revisão por pares em periódico com histórico na área de matéria condensada.
Pesquisadores da Universidade Tsinghua propõem treinar o resumo de contexto como parte da política do…
Pesquisadores da UC Berkeley e da IBM Research adaptaram o framework evolutivo K-Search para o…
Relatório trimestral da Microsoft Threat Intelligence mostra queda de 92% no phishing ligado à plataforma…
Pesquisa da Cisco Talos detalha o UAT-11795, grupo de língua russa que distribui instaladores adulterados…
Fundo ligado à TIM e Upload Ventures aporta na Enter, legal tech de IA brasileira.…
Adoção de IA na Fortune 500 chega a 92%, mas 56% dos CEOs dizem não…