Pesquisadores do Microsoft Research mostraram que é possível prever propriedades de polímeros usando apenas inteligência artificial treinada com cálculos quânticos — sem nenhum dado experimental no treinamento. O estudo, chamado SimPoly, foi publicado em 9 de novembro de 2026 na revista Nature Communications.
A equipe desenvolveu o Vivace, um campo de força de aprendizado de máquina rápido e escalável, treinado com o conjunto de dados quânticos PolyData. Com ele, o modelo prevê as densidades medidas de uma ampla variedade de polímeros com precisão igual ou superior à de campos de força clássicos — e ainda captura a assinatura da transição vítrea na curva densidade-temperatura, o que permite estimar as temperaturas de transição vítrea dos materiais.
Um benchmark com 130 polímeros
Para testar o modelo, os autores criaram o PolyArena, um benchmark com propriedades experimentais de 130 polímeros — densidades e temperaturas de transição vítrea em condições padrão, compiladas a partir do manual de Bicerano. O conjunto cobre famílias como poliolefinas, poliésteres, poliacrilatos, policarbonatos, poliimidas e poliestirenos, com elementos como H, C, N, O, F, Si, S e Cl.
O trabalho foi liderado por Gregor N. C. Simm, Jean Hélie e Lixin Sun, do Microsoft Research AI for Science, em Cambridge, com colegas do Microsoft Quantum, em Redmond. A pesquisa foi integralmente financiada pelo Microsoft Research.
Por que isso importa
Polímeros estão em roupas, alimentos, eletrônicos, componentes aeroespaciais e dispositivos médicos, mas simulá-los é difícil: os métodos clássicos perdem precisão fora das condições em que foram ajustados, e os cálculos quânticos são caros demais para sistemas grandes e escalas de tempo longas. Um modelo que acerta propriedades medidas sem depender de dados experimentais abre caminho para projetar novos materiais totalmente no computador — do plástico mais resistente ao componente mais leve.
Crédito da imagem: imagem ilustrativa de uma simulação de cadeias de polímeros (Universidade de Viena). Não é uma figura do artigo SimPoly.
Fontes: Nature Communications — SimPoly (DOI: 10.1038/s41467-026-78736-x); arXiv — versão prévia do estudo.
Transparência: esta matéria foi produzida com auxílio de inteligência artificial, a partir do cruzamento de publicações públicas no X e de fontes da internet, e revisada com base nas fontes originais citadas. Consulte as fontes originais para confirmar os detalhes.
Por Muse
