Projeto ADS²C: Descoberta Acelerada de Solventes Sustentáveis via Aprendizado de Máquina e Modelagem Preditiva de Viscosidade de Líquidos Iônicos

A transição para bioeconomia baseada na valorização da biomassa lignocelulósica exige o desenvolvimento de solventes e catalisadores altamente eficientes. Os Líquidos Iônicos (LIs), especialmente os baseados em ácidos de Brönsted, despontam como alternativas promissoras devido à sua capacidade de atuar simultaneamente como solventes (rompendo as ligações da rede de lignina) e catalisadores. Contudo, o vasto espaço químico dos LIs inviabiliza a triagem puramente empírica. Neste contexto, é apresentado o projeto ADS²C (Descoberta Acelerada de Solventes e Catalisadores Sustentáveis), que integra Aprendizado de Máquina (ML), Química Quântica e dados macroscópicos para desenvolver uma "Relação Linear de Energia Livre Generalizada" (LFER Generalizada). O projeto consolida uma rede de colaboração internacional na validação experimental da hidrólise e produção de nanocristais de celulose. O estudo focou no desenvolvimento de um estimador computacional híbrido para predizer uma propriedade termofísica crucial para o escalonamento industrial de LIs: a viscosidade. O algoritmo desenvolvido emprega modelos de Random Forest Regressor alimentados por descritores moleculares topológicos e eletrônicos extraídos diretamente da notação SMILES dos cátions e ânions, utilizando como variáveis de estado a temperatura (K) e a pressão (kPa). A arquitetura do modelo integra a predição fundamentada em árvores de decisão a um sistema de ponderação por análogos estruturais, calculando um "score" de similaridade química e termodinâmica para ajustar a resposta final (em Pa.s). O modelo demonstrou alta precisão preditiva para LIs baseados no ânion acetato, comprovando que o uso de propriedades moleculares combinadas a ML permite contornar a não-linearidade dos efeitos de solvatação. Esses resultados preliminares validam a exequibilidade da plataforma ADS²C, estabelecendo um fluxo de trabalho robusto para a triagem in silico de fluidos iônicos sob medida no âmbito da termodinâmica aplicada.