Design e Exploração Baseados em Dados: Avançando a Ciência dos Materiais Através de Metodologias Computacionais e Aprendizado de Máquina
Esta tese investiga a intersecção de entre a Ciência de Materiais Computacional e metodologias data-driven, concentrando-se na exploração, compreensão e design de materiais. Utilizando ferramentas como a Teoria Funcional da Densidade, Aprendizado de Máquina e otimização Bayesiana, a pesquisa se aprofunda em vários domínios da ciência dos materiais. Na busca por dispositivos spintrônicos, foi estabelecido um novo banco de dados de cálculos ab initio de divisão de spin em materiais 2D, marcando o primeiro do seu tipo no Brasil. A pesquisa também propôs um workflow inovador integrando design inverso com otimização por inferência Bayesiana para o design de materiais. Uma contribuição significativa foi feita para o entendimento do Rashba spin splitting em sólidos cristalinos, enfatizando o anti-crossing como um design principle. O estudo também explora a transformação dos métodos tradicionais de tentativa e erro para estratégias inteligentes e baseadas em dados no design de materiais funcionais, particularmente compostos 2D magnéticos. Utilizando bancos de dados, cálculos ab initio e algoritmos de aprendizado de máquina, a pesquisa forneceu insights-chave sobre a ordem magnética nesses materiais, expandindo as possibilidades para compostos estáveis e facilmente sintetizados. Além disso, a pesquisa utilizou dados da OQMD para construir um sistema de recomendação baseado em grafos, levando à proposta de novos compostos e ilustrando um novo método para a descoberta de materiais. Juntos, esses avanços contribuem significativamente para a comunidade científica, oferecendo novos insights e metodologias em ciência dos materiais. A tese serve como um guia para futuras pesquisas neste campo dinâmico, com o objetivo de inspirar uma exploração e inovação ainda maiores, e apresentando uma estrutura para nosso entendimento e domínio dos materiais que constituem as tecnologias ao nosso redor.