Simulação de materiais, três barreiras
Simular átomos exige três coisas: conhecimento da ciência, implementação computacionalmente eficiente e interfaces acessíveis para o software de simulação. O primeiro item continua sendo domínio do pesquisador. Para o segundo, a NVIDIA introduziu no início do ano o ALCHEMI Toolkit, um conjunto de blocos PyTorch-native para construir fluxos de simulação acelerados por GPU com Machine Learning Interatomic Potentials (MLIP).
A terceira barreira — interfaces acessíveis — persistia. O ecossistema de MLIP ainda é recente e carece das interfaces maduras que existem para simulações clássicas. É aí que entram os agentes de codificação de IA.
Agentes de IA no lugar certo
Um agente de codificação gera e executa código a partir de descrições em linguagem natural, escritas nos termos que um pesquisador usa no dia a dia. O problema: um agente genérico pode não conhecer a API do ALCHEMI e produzir código que só “parece” correto. As skills e arquivos de referência do ALCHEMI resolvem isso, fornecendo os padrões de API sob demanda — deixando para o prompt apenas a ciência: o material, as condições e as restrições do protocolo.
Um benchmark com 45 pipelines
Para validar a abordagem, a NVIDIA rodou um benchmark sistemático com 45 pipelines de simulação em três fluxos de trabalho — equação de estado do silício, adsorção de oxigênio em Cu(111) e autodifusão de lítio por dinâmica molecular — em cinco níveis de prompt e três amostras por nível, executados em GPUs H200.
Os resultados são impressionantes: todos os 45 scripts usaram execução em lote na GPU, e os 15 representantes de produção concluíram. No silício, todos os níveis convergiram para os mesmos valores até o último dígito (constante de rede de 5,4661 Å e módulo volumétrico de 88,15 GPa). A especificidade do prompt mudou a estrutura e o custo do código, mas nunca a física.
Lições práticas para prompts
O estudo destilou orientações concretas: nomear sempre o sistema, o método e a escala; especificar material, fase e convenção de referência (subespecificar o sistema causou as falhas de física mais claras nos testes iniciais); descrever a restrição, não a implementação; e pedir explicitamente autoavaliação e checagem de premissas — os agentes não questionam sozinhos se uma propriedade é fisicamente bem posta.
Na prática, a instalação usa uv pip install "nvalchemi-toolkit[mace,ase]==0.2.0", com skills baixadas do mesmo tag de release para casar com a API instalada. O benchmark usou Claude Code, mas qualquer agente compatível com o padrão aberto de Agent Skills — como Cursor e OpenCode — funciona.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
