{"id":256,"date":"2026-06-22T06:13:05","date_gmt":"2026-06-22T09:13:05","guid":{"rendered":"https:\/\/plugged.ninja\/ai\/pesquisa\/matterchat-nature-machine-intelligence-llm-multimodal-materiais-berkeley-2026\/"},"modified":"2026-06-22T06:13:05","modified_gmt":"2026-06-22T09:13:05","slug":"matterchat-nature-machine-intelligence-llm-multimodal-materiais-berkeley-2026","status":"publish","type":"post","link":"https:\/\/plugged.ninja\/ai\/pesquisa\/matterchat-nature-machine-intelligence-llm-multimodal-materiais-berkeley-2026\/","title":{"rendered":"MatterChat: a IA multimodal da Berkeley que d\u00e1 “olhos cient\u00edficos” aos LLMs para descobrir materiais"},"content":{"rendered":"

Resumo:<\/strong> A revista Nature Machine Intelligence<\/em> publicou em 2026 o estudo do MatterChat, um LLM multimodal desenvolvido por equipe do Lawrence Berkeley National Laboratory que combina dados estruturais de cristais com modelos de linguagem. O sistema prev\u00ea propriedades de novos materiais \u2014 banda proibida, estabilidade, condutividade \u2014 com precis\u00e3o acima de modelos f\u00edsicos como SchNet e CHGNet e ainda explica o racioc\u00ednio em texto. Para ind\u00fastrias que dependem de descoberta de materiais (baterias, semicondutores, catalisadores), \u00e9 um pulo de patamar.<\/p>\n

O que \u00e9 o MatterChat<\/h2>\n

O MatterChat \u00e9 descrito pelos autores como uma arquitetura multimodal que une dois pr\u00e9-treinos diferentes por meio de um m\u00f3dulo de ponte. De um lado, um potencial interat\u00f4mico de aprendizado de m\u00e1quina j\u00e1 treinado em milh\u00f5es de estruturas cristalinas (uma rede que entende “como os \u00e1tomos se ligam”). De outro, um grande modelo de linguagem que j\u00e1 entende texto. O bridge model alinha as duas representa\u00e7\u00f5es e permite que o LLM converse em linguagem natural sobre propriedades f\u00edsicas de cristais reais.<\/p>\n

Na pr\u00e1tica, o usu\u00e1rio pode carregar a estrutura de um composto in\u00e9dito e pedir: “qual a banda proibida estimada? esse material \u00e9 est\u00e1vel a 300 K? \u00e9 met\u00e1lico ou semicondutor? por qu\u00ea?”. O modelo responde com a previs\u00e3o num\u00e9rica, mas tamb\u00e9m com a justificativa textual \u2014 apoiada nas embeddings f\u00edsicas que o bridge traduziu.<\/p>\n

Por que isso \u00e9 diferente do que j\u00e1 existia<\/h2>\n

Modelos f\u00edsicos como CHGNet e SchNet j\u00e1 preveem propriedades com boa precis\u00e3o, mas funcionam como caixas-pretas num\u00e9ricas. LLMs sozinhos lidam bem com texto cient\u00edfico, por\u00e9m alucinam sem qualquer no\u00e7\u00e3o de f\u00edsica. A novidade do MatterChat \u00e9 juntar os dois mundos com baixo custo: como o LLM e o potencial interat\u00f4mico s\u00e3o pr\u00e9-treinados, s\u00f3 o m\u00f3dulo de ponte \u00e9 treinado do zero, o que reduz substancialmente o or\u00e7amento de computa\u00e7\u00e3o.<\/p>\n

Nos testes reportados pelos autores e divulgados pelo Berkeley Lab, o MatterChat supera modelos de linguagem gen\u00e9ricos por margens grandes em classifica\u00e7\u00e3o de materiais e previs\u00e3o de propriedades, ao mesmo tempo em que mant\u00e9m a capacidade de explicar o racioc\u00ednio em linguagem t\u00e9cnica \u2014 algo cr\u00edtico para pesquisa.<\/p>\n

Por que importa e o status no Brasil<\/h2>\n

O Brasil tem ativos relevantes em pesquisa de materiais, incluindo o Laborat\u00f3rio Nacional de Nanotecnologia (LNNano\/CNPEM), o Sirius e centros como o IFGW da Unicamp. Ferramentas como o MatterChat aceleram o ciclo “hip\u00f3tese \u2192 previs\u00e3o \u2192 s\u00edntese \u2192 caracteriza\u00e7\u00e3o” especialmente em frentes priorit\u00e1rias para a ind\u00fastria brasileira: c\u00e1todos de l\u00edtio, materiais para hidrog\u00eanio verde, semicondutores compostos e catalisadores para etanol. Em vez de testar mil candidatos no laborat\u00f3rio, equipes podem filtrar centenas de milhares in silico<\/em> antes de comprar reagentes.<\/p>\n

O modelo \u00e9 publicado em revista cient\u00edfica revisada por pares, com c\u00f3digo aberto dispon\u00edvel no GitHub do grupo, o que diminui a barreira de entrada para universidades e startups locais.<\/p>\n

Riscos e limita\u00e7\u00f5es<\/h2>\n

O pr\u00f3prio artigo aponta limites. O sistema depende da qualidade do potencial interat\u00f4mico \u2014 se o pr\u00e9-treino n\u00e3o cobre uma classe de material, a previs\u00e3o piora. H\u00e1 tamb\u00e9m o risco j\u00e1 conhecido em LLMs de produzir uma explica\u00e7\u00e3o convincente para um n\u00famero errado. Para usar o MatterChat em pesquisa s\u00e9ria, vale tratar a sa\u00edda como “primeira aproxima\u00e7\u00e3o que precisa ser validada por DFT ou experimento”. E, como em qualquer modelo de descoberta, o hist\u00f3rico de dados embute vi\u00e9s: o que est\u00e1 no Materials Project tende a ser bem previsto; o que est\u00e1 fora pode ser sub-representado.<\/p>\n

An\u00e1lise SWOT econ\u00f4mica<\/h2>\n
\n
For\u00e7as<\/strong>
Combina precis\u00e3o f\u00edsica com explicabilidade textual; c\u00f3digo aberto; custo de treino baixo por reaproveitar pr\u00e9-treinos.<\/div>\n
Fraquezas<\/strong>
Depende do potencial interat\u00f4mico; cobertura desigual entre classes de material; sem garantia formal contra alucina\u00e7\u00e3o num\u00e9rica.<\/div>\n
Oportunidades<\/strong>
Triagem r\u00e1pida de materiais para baterias, hidrog\u00eanio, semicondutores e cat\u00e1lise; nicho para spin-offs acad\u00eamicas no Brasil.<\/div>\n
Amea\u00e7as<\/strong>
Modelos propriet\u00e1rios de big tech com bancos privados de DFT; risco de “ci\u00eancia por copy-paste” sem valida\u00e7\u00e3o experimental.<\/div>\n<\/div>\n

Cen\u00e1rio e indicativo de futuro<\/h2>\n

O MatterChat sinaliza uma tend\u00eancia de “LLMs com olhos cient\u00edficos”: modelos que n\u00e3o pretendem substituir as ferramentas de simula\u00e7\u00e3o de dom\u00ednio, mas servem como camada conversacional sobre elas. \u00c9 plaus\u00edvel ver o mesmo padr\u00e3o chegar a biologia estrutural, qu\u00edmica medicinal e geoci\u00eancias nos pr\u00f3ximos doze meses, com bridges semelhantes acoplando LLMs a AlphaFold, modelos de reatividade e simuladores de reservat\u00f3rio. Para a ind\u00fastria, a aposta \u00e9 clara: menos tempo gasto formatando inputs e lendo logs, mais tempo gasto em decis\u00f5es de projeto.<\/p>\n

Conclus\u00e3o pr\u00e1tica<\/h2>\n

Para um time de P&D no Brasil, vale come\u00e7ar com um piloto pequeno: pegar uma fam\u00edlia de candidatos relevante para o portf\u00f3lio, rodar o MatterChat na nuvem do CNPEM ou de provedores locais e comparar a sa\u00edda com simula\u00e7\u00f5es DFT ou dados experimentais conhecidos. Se a correla\u00e7\u00e3o for boa, o ganho de produtividade aparece rapidamente na fase de triagem. Para grupos acad\u00eamicos, \u00e9 uma chance de incorporar o estado da arte a custos quase zero, desde que os resultados continuem sendo validados experimentalmente antes de virar publica\u00e7\u00e3o ou patente.<\/p>\n

Fonte original: A multimodal large language model for materials science \u2014 Nature Machine Intelligence (2026)<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":"

MatterChat, publicado na Nature Machine Intelligence, une LLM e potencial interat\u00f4mico para prever propriedades de materiais e explicar o racioc\u00ednio.<\/p>\n","protected":false},"author":1,"featured_media":257,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[6],"tags":[],"class_list":["post-256","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-pesquisa"],"_links":{"self":[{"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/posts\/256","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/comments?post=256"}],"version-history":[{"count":0,"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/posts\/256\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/media\/257"}],"wp:attachment":[{"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/media?parent=256"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/categories?post=256"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/tags?post=256"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}