IA aplicada · Dissertação de mestrado
AETHER
Pipeline de IA para estimar a energia de adsorção de hidrogênio e apoiar a triagem de catalisadores para produção de hidrogênio verde.
- Papel
- Autor da pesquisa e do pipeline
- Período
- 2025 - 2026
- Tipo
- Dissertação de mestrado
- Situação
- Código aberto
- 5.860
- estruturas curadas
- 0,9734
- R² do melhor ensemble
- 5 seeds
- avaliação reproduzível
O problema
Descobrir catalisadores para a reação de evolução de hidrogênio por cálculo de DFT é caro e lento. A pergunta prática é se um modelo pré-treinado em milhões de estruturas consegue substituir esse cálculo com erro aceitável, e se essa vantagem se sustenta quando o experimento é repetido com sementes diferentes.
Minha contribuição
Construí um pipeline reproduzível de curadoria, treino, comparação e explicabilidade sobre 5.860 estruturas do Catalysis Hub, com split canônico fixo. Comparei quatro abordagens no mesmo dado (descritores manuais, GNN treinada do zero, fine-tune de uma GNN equivariante pré-treinada e regressão sobre embeddings congelados), reportando média e desvio sobre 5 sementes. Os resultados são expostos por uma API FastAPI com interface em Vue.
Tecnologias
- Python
- PyTorch
- PyTorch Geometric
- MACE
- SchNet
- SHAP
- FastAPI
Telas do sistema
A triagem começa numa tabela periódica que só habilita os elementos presentes na base, e ranqueia os candidatos pela proximidade do ótimo de Sabatier. 
O desenho do estudo, da adsorção calculada por DFT ao transfer learning e à triagem final de candidatos. 
Paridade predito × DFT para as quatro abordagens no mesmo conjunto de teste. É a comparação que sustenta a conclusão.