Cientistas usaram IA e microscopia eletrônica para visualizar defeitos internos em maxenos em 3D pela primeira vez.

Novo método revela pela primeira vez onde, exatamente, ficam os defeitos em um material multicamadas e como eles dependem das condições de síntese

Uma colaboração interdisciplinar entre cientistas de materiais, especialistas em microscopia e profissionais de IA de grandes laboratórios nacionais e universidades dos Estados Unidos criou uma plataforma de inteligência artificial inédita para mapeamento 3D de defeitos atômicos em materiais 2D multicamadas, como os maxenes (MXenes). O avanço contorna uma limitação básica da microscopia eletrônica convencional: a partir de uma imagem plana, não dá para dizer em qual camada atômica do “sanduíche” está uma vacância (o vazio deixado pela ausência de um átomo de titânio). Essa localização é decisiva para controlar a condutividade e a resistência mecânica do material.

Os maxenes formam uma família de materiais bidimensionais que podem ser entendidos como “sanduíches atômicos” com apenas algumas camadas de espessura, compostos por metais de transição (por exemplo, titânio) e carbono ou nitrogênio. Eles são produzidos por ataque químico do material de partida (a fase MAX) com ácidos agressivos, que dissolvem camadas “excedentes” e separam a estrutura em nanofolhas extremamente finas. Durante esse processo, surgem inevitavelmente vacâncias: regiões vazias onde faltam átomos do metal. Essas “lacunas” são críticas, pois definem quão bem o material conduzirá corrente, armazenará energia ou participará de reações químicas.

O entrave científico central era que, por serem multicamadas, os maxenes apareciam nas imagens comuns do microscópio como sobreposições, impedindo identificar se o defeito estava na camada superior, intermediária ou inferior. A nova plataforma de IA tornou possível, pela primeira vez, reconstruir um mapa tridimensional desses defeitos e mostrou que, ao aumentar a concentração do ácido, eles não apenas se tornam mais numerosos: passam a se agrupar em clusters e em nanoporos passantes que atravessam todo o “sanduíche”.

Base metodológica: microscopia HAADF e aprendizado de máquina em MXenes

O alicerce metodológico do trabalho combina microscopia no modo HAADF (um modo de microscopia eletrônica capaz de visualizar a estrutura em nível atômico) com algoritmos de aprendizado de máquina. Como os maxenes são altamente sensíveis ao feixe de elétrons e podem sofrer danos, os pesquisadores operaram o modo HAADF com baixa tensão (60 kV) e corrente reduzida (10–25 pA). Para melhorar a qualidade, capturaram uma série de imagens com exposição curta e depois as combinaram, reduzindo o ruído.

A dificuldade inerente ao HAADF é que ele entrega uma imagem plana (2D), na qual múltiplas camadas atômicas ficam projetadas uma sobre a outra. Para “separar” essas camadas e inferir em qual delas o defeito se encontra, os autores recorreram à IA para tratar os dados. Redes neurais com arquitetura U-Net analisaram mais de 150 000 posições atômicas, permitindo identificar milhares de defeitos com alta precisão de reconhecimento mesmo em condições de baixa relação sinal/ruído. Antes disso, a avaliação dos defeitos era feita manualmente.

Para recuperar a estrutura em 3D, a equipe realizou a deconvolução (reconstrução das distorções) dos três planos metálicos. A camada interna foi definida como a região com menor densidade de vacâncias, em concordância com cálculos que indicam maior energia de formação de defeitos ali. Com isso, tornou-se possível diferenciar as camadas externas pelo grau de defeitos e montar um mapa completo das populações de defeitos.

Relação entre síntese com ácido fluorídrico (HF) e vacâncias de titânio

A análise revelou uma ligação nítida entre as condições de síntese e a arquitetura dos defeitos. Ao elevar a concentração de ácido fluorídrico (HF) de 5% e 9,1% para 12,5%, a fração de vacâncias de titânio aumenta de ~1,4–1,5% para 3,49%. Surgiu, porém, um detalhe relevante: com 9,1% de HF, a taxa de defeitos é comparável ou até maior do que com 5%, o que é atribuído ao ataque incompleto em baixa concentração e ao descolamento seletivo de camadas mais danificadas.

O estudo também mostrou que empregar concentrações elevadas de HF na síntese não causa apenas um crescimento na contagem de defeitos, mas promove a coalescência em clusters e a formação de nanoporos passantes que atravessam todas as camadas do material. Simulações por métodos de Monte Carlo e dinâmica molecular indicaram ainda que a distribuição dos defeitos é influenciada por vacâncias de carbono e por grupos superficiais.

O processamento confirmou, igualmente, que a camada interna do maxene é muito mais resistente à geração de defeitos do que as camadas externas por razões energéticas e estruturais: a energia de formação de vacâncias na camada interna é significativamente mais alta do que nas camadas de superfície. Em termos termodinâmicos, o sistema precisa de muito mais energia para “expulsar” um átomo do centro protegido do que de uma superfície exposta. Assim, a camada interna atua como um tipo de “arcabouço estável”, enquanto as camadas externas absorvem o impacto principal do ataque químico - o que explica a diferença observada nas concentrações de defeitos.

Os defeitos determinam como o material conduzirá corrente, armazenará energia ou catalisará reações. Com esse avanço, pesquisadores poderão entregar aos engenheiros uma “cartografia e um guia”: como ajustar as condições de síntese para obter propriedades específicas, voltadas à criação de eletrônica altamente eficiente, sistemas de purificação e dispositivos biomédicos.

As vacâncias atômicas afetam de forma importante as propriedades eletroquímicas e a eficiência de armazenamento de energia. Ao compreender a estrutura 3D dos defeitos, será possível projetar materiais para baterias que carreguem mais rápido e mantenham a carga por mais tempo. Como os defeitos permitem ajustar com precisão as propriedades eletrônicas de materiais 2D, eles são essenciais para processadores mais rápidos e eficientes em energia, além de sensores ultrassensíveis para dispositivos vestíveis. E, ao controlar a formação de vazios (por exemplo, evitando o surgimento de nanoporos passantes durante o ataque químico), podem-se desenvolver componentes mais duráveis e mais resistentes ao desgaste físico. Em última instância, passar de defeitos aleatórios para o desenho deliberado de defeitos permite prever o desempenho do material e criar dispositivos com características definidas de antemão.