uma equipe da universidade de chicago desenvolveu com sucesso um modelo original de rede neural chamado electrolytegpt, capaz de projetar autonomamente eletrólitos de bateria de lítio‑metal de alto desempenho, de ponta a ponta — abrangendo desde a triagem de componentes moleculares e a otimização de proporções até a previsão de propriedades físico‑químicas, tudo sem qualquer intervenção humana. essa abordagem inovadora rompe completamente com o paradigma tradicional de p&d baseado em “composição por tentativa e erro mais ajuste empírico”.
diferentemente de ferramentas de ia anteriores, que se concentravam exclusivamente em componentes individuais ou em variáveis simplificadas, o electrolytegpt utiliza capacidades de modelagem full‑stack para otimizar simultaneamente as espécies químicas, as razões molares, as estruturas de solvatação e as interações em múltiplas escalas dentro de uma formulação, alcançando uma otimização sinérgica da condutividade, da janela eletroquímica, da estabilidade interfacial e das propriedades reológicas.
a validação experimental demonstra que várias formulações candidatas geradas pela ia atingem desempenho equivalente ao dos melhores sistemas comerciais atuais em métricas-chave. ainda mais notável é que algumas das combinações não intuitivas descobertas apresentam mecanismos únicos de transporte iônico e comportamentos de passivação, oferecendo uma nova via para superar os gargalos existentes no desempenho dos eletrólitos. diante de um espaço químico em expansão exponencial, esse modelo reduz significativamente o ciclo de descoberta de formulações de alto valor, ao mesmo tempo em que desbloqueia sistematicamente dimensões de inovação molecular que escapam à intuição humana.
