Nascida em uma familia de arquitetos, Nina Andrejević adorava criar desenhos de sua casa e de outros edifa­cios enquanto criana§a na Sanãrvia. Ela e sua irmã gaªmea compartilhavam essa paixa£o, juntamente com um apetite por matemática e ciências. Com o tempo, esses interesses convergiram para um caminho acadêmico que compartilha alguns atributos com a profissão de fama­lia, segundo Andrejević, doutorando em ciência e engenharia de materiais no MIT.

“A arquitetura éum campo criativo e tanãcnico, onde vocêtenta otimizar os recursos que deseja para determinados tipos de funcionalidade, como o tamanho de um prédio ou o layout de diferentes cômodos de uma casa”, diz ela. O trabalho de Andrejević em aprendizado de ma¡quina se assemelha ao dos arquitetos, ela acredita: “Comea§amos de um site vazio osum modelo matema¡tico que possui parametros aleata³rios ose nosso objetivo étreinar esse modelo, chamado rede neural, para ter a funcionalidade que desejamos. ”

Andrejević éorientador de doutorado de Mingda Li , professor assistente do Departamento de Ciência e Engenharia Nuclear. Como assistente de pesquisa no Grupo de Medição Qua¢ntica de Li, ela estãotreinando seus modelos de aprendizado de ma¡quina para caçar caracteri­sticas novas e aºteis em materiais. Seu trabalho com o laboratório chegou a importantes peria³dicos como Nature Communications , Advanced Science , Physical Review Letters e Nano Letters .

Uma área de especial interesse para seu grupo éa de materiais topola³gicos. “Esses materiais são uma fase exa³tica da matéria que pode transportar elanãtrons nasuperfÍcie sem perda de energia”, diz ela. “Isso os torna altamente interessantes para fazer tecnologias mais eficientes em termos de energia.”

Com sua irmã Jovana, doutoranda em física aplicada na Universidade de Harvard, Andrejević desenvolveu um manãtodo para testar amostras de materiais para prever a presença de caracteri­sticas topola³gicas que émais rápido e versa¡til do que outros manãtodos.

Se o objetivo final é“produzir tecnologias de melhor desempenho e economia de energia”, diz ela, “precisamos primeiro saber quais materiais são bons candidatos para essas aplicações, e isso éalgo que nossa pesquisa pode ajudar a confirmar”.

As sementes para esta pesquisa foram plantadas hámais de um ano. “Minha irmã e eu sempre dissemos que seria legal fazer um projeto juntos, e quando Mingda sugeriu esse estudo de materiais topola³gicos, me ocorreu que podera­amos fazer disso uma colaboração formal”, diz Andrejević. As irmãs são mais parecidas do que a maioria das gaªmeas, ela observa, compartilhando muitos interesses acadaªmicos. “Ser gaªmea éuma grande parte da minha vida e trabalhamos bem juntos, ajudando uns aos outros em áreas que não entendemos.”

O trabalho de dissertação de Andrejević, que abrange vários projetos, usa técnicas espectrosca³picas especializadas e análise de dados, reforçada por aprendizado de ma¡quina, que pode encontrar padraµes em grandes quantidades de dados com mais eficiência do que os computadores de maior taxa de transferaªncia.

“O fio condutor de todos os meus projetos éessa ideia de tentar acelerar ou melhorar nosso entendimento ao aplicar essas ferramentas de caracterização e, assim, obter informações mais aºteis do que podemos com modelos mais tradicionais ou aproximados”, diz ela. A pesquisa dos gaªmeos em materiais topola³gicos serve como um exemplo.

Para descobrir propriedades novas e potencialmente aºteis dos materiais, os pesquisadores devem interroga¡-los nas escalas atômica e qua¢ntica. As técnicas espectrosca³picas de naªutrons e fa³tons podem ajudar a capturar estruturas e dina¢micas não identificadas anteriormente e determinar como o calor, os campos elanãtricos ou magnanãticos e o estresse meca¢nico afetam os materiais nonívelliliputiano. As leis que governam este reino, onde os materiais não se comportam como deveriam na macroescala, são as da meca¢nica qua¢ntica.

As abordagens experimentais atuais para identificar materiais topola³gicos são tecnicamente desafiadoras e inexatas, potencialmente excluindo candidatos via¡veis. As irmãs acreditavam que poderiam evitar essas armadilhas usando uma técnica de imagem amplamente aplicada, chamada espectroscopia de absorção de raios X (XAS), e emparelhada com uma rede neural treinada. O XAS envia feixes de raios-X focados na matéria para ajudar a mapear sua geometria e estrutura eletra´nica. Os dados de radiação que ele fornece oferecem uma assinatura exclusiva para o material amostrado.

“Quera­amos desenvolver uma rede neural que pudesse identificar a topologia da assinatura XAS de um material, uma medida muito mais acessa­vel do que a de outras abordagens”, diz Andrejević. “Esperamos que isso nos permita selecionar uma categoria muito mais ampla de materiais topola³gicos em potencial”.

Ao longo de meses, os pesquisadores alimentaram suas informações de rede neural de dois bancos de dados: um continha materiais teoricamente previstos como topola³gicos e o outro continha dados de absorção de raios-X para uma ampla gama de materiais. “Quando devidamente treinado, o modelo deve servir como uma ferramenta onde ele laª novas assinaturas XAS nunca vistas antes e informa se o material que produziu o espectro étopola³gico”, explica Andrejević.

A técnica da dupla de pesquisadores demonstrou resultados promissores, que eles já publicaram em uma pré-impressão, “ Machine learning spectral indicadores of topology ”. “Para mim, a emoção desses projetos de aprendizado de ma¡quina éver alguns padraµes subjacentes e poder entendaª-los em termos de quantidades físicas”, diz Andrejević.

Foi durante seu primeiro ano na Universidade de Cornell que Andrejević experimentou pela primeira vez o prazer de observar a matéria em umnívela­ntimo. Apa³s um curso de nanociaªncia e nanoengenharia, integrou um grupo de pesquisa de materiais de imagem em escala atômica. “Sinto que sou uma pessoa muito visual, e essa ideia de ser capaz de ver coisas que atéentão eram apenas equações ou conceitos osisso foi muito empolgante”, diz ela. “Essa experiência me aproximou do campo da ciência dos materiais.”

O aprendizado de ma¡quina, fundamental para o trabalho de doutorado de Andrejević, seráfundamental para sua vida após o MIT. Quando ela se formar neste inverno, ela vai direto para o Argonne National Laboratory, onde ganhou uma prestigiosa bolsa Maria Goeppert Mayer, concedida “internacionalmente a cientistas e engenheiros de doutorado que estãono ini­cio de carreiras promissoras”. “Vamos tentar projetar redes neurais informadas pela física, com foco em materiais qua¢nticos”, diz ela.

Isso significa dizer adeus a  irmã, de quem ela nunca se separou por muito tempo. “Sera¡ muito diferente”, diz Andrejević. Mas, ela acrescenta: “Espero que Jovana e eu colaboremos mais no futuro, não importa a distância!”