Ilustração de dois braços robóticos em uma bancada de laboratório, ao redor de um recipiente com líquido avermelhado.
Ilustração conceitual. Não retrata o protótipo do estudo.

Laboratório com IA ajusta testes para degradar corante

Um laboratório experimental usou inteligência artificial e um robô de dois braços para ajustar o tratamento de uma solução com safranina T, um corante vermelho. Em vez de executar uma lista fixa de testes, o sistema mediu o resultado de cada rodada e usou essas medições para escolher as condições seguintes. Segundo o preprint de Yihang Chen e colaboradores, a parcela de luz que atravessava a solução tratada passou de cerca de 82% na primeira rodada para 99,7% na última.

A diferença apareceu depois de 15 rodadas em uma bancada de laboratório. Ela indica que a solução perdeu quase toda a cor medida naquele teste. O experimento não demonstrou a remoção de todos os contaminantes nem avaliou o desempenho em uma estação de tratamento.

Como o robô escolhia o próximo teste

O sistema, chamado Embodied Science Agent (ESA), combinou três funções: escolher as condições de teste, operar a bancada e devolver os resultados ao programa que decide o que testar depois. Parte dos equipamentos aceitava comandos diretos por software. Outros eram operados por suas interfaces gráficas. Para tarefas físicas, como posicionar uma sonda ou um eletrodo, entravam os dois braços robóticos.

O experimento usou um tratamento eletroquímico conhecido como eletro-Fenton. Seu desempenho varia conforme as condições da reação. A equipe delimitou cinco variáveis e estimou que, na resolução dos instrumentos usados, havia mais de 200 milhões de combinações possíveis. Esse número descreve as opções disponíveis, não a quantidade de testes executados.

Nas cinco primeiras rodadas, o sistema coletou resultados em condições diferentes. Nas dez seguintes, um método chamado otimização bayesiana usou as medições anteriores para escolher novos testes. O programa estimava quais mudanças poderiam melhorar o resultado e onde valia testar para reduzir a incerteza. Cada hipótese ainda precisava passar pela bancada.

Em um ensaio separado, os braços conseguiram manipular o suporte de um eletrodo em três posições dentro da área prevista. Isso indica que o sistema tolerou essas mudanças na montagem. O estudo não verificou se ele faria o mesmo com outros instrumentos ou em outro laboratório sem adaptação.

O que significa chegar a 99,7%

A medida usada foi a transmitância: a proporção da luz que atravessa a amostra na condição de leitura do instrumento. Quando o corante absorve menos luz, a transmitância aumenta. O avanço não foi uniforme. Os valores permaneceram por várias tentativas entre 86% e 88%. A penúltima chegou a 89%; a última, a 99,7%. A diferença em relação ao início foi de aproximadamente 17,7 pontos percentuais.

A partir das leituras ópticas, os pesquisadores estimaram uma redução de 98,5% na concentração residual de safranina T em relação ao resultado inicial. Os 99,7% descrevem a luz que atravessou a última amostra; os 98,5% comparam a quantidade estimada do corante residual. Nenhum dos números mede a remoção de todos os contaminantes.

Perder a cor também não demonstra mineralização completa. A molécula pode perder a parte responsável pela cor e deixar produtos de transformação na solução. A distinção lembra uma questão levantada na análise da Valiant sobre PFAS: o desaparecimento de um sinal não informa, por si só, o destino químico do contaminante. São estudos e substâncias diferentes.

O que falta testar

O preprint descreve um protótipo com uma solução preparada em laboratório. Para avaliar uma aplicação industrial, seria necessário repetir o resultado, medir quais substâncias permanecem após o tratamento e testar amostras reais, nas quais sais, matéria orgânica e outros compostos podem interferir. Consumo de energia, manutenção e desempenho com volumes maiores também precisariam ser medidos.

Para avaliar a contribuição da IA, falta comparar o sistema com outras estratégias de otimização na mesma bancada e com o mesmo número de rodadas. O trabalho mostra que foi possível reunir planejamento, execução física e medição no mesmo ciclo. Ainda está em aberto se esse sistema encontra condições melhores com menos testes ou se mantém o desempenho em outros processos.

Fonte

Chen et al., Embodied Science Agents: Making Embodied Experimental Design Learnable, arXiv, versão 1.