{
  "generated_at": "2026-09-18",
  "series": [
    {
      "id": "S1_protein_structures",
      "domain": "biology",
      "status": "ok",
      "title_pt": "Estruturas proteicas conhecidas ao longo do tempo",
      "title_en": "Known protein structures over time",
      "measure": "contagem cumulativa ao fim de cada ano",
      "unit": "estruturas",
      "scale_hint": "log",
      "value_type": "measured",
      "data": [
        {
          "x": 1976,
          "series": "pdb_experimental",
          "y": 13
        },
        {
          "x": 1982,
          "series": "pdb_experimental",
          "y": 100
        },
        {
          "x": 1993,
          "series": "pdb_experimental",
          "y": 1000
        },
        {
          "x": 1999,
          "series": "pdb_experimental",
          "y": 10000
        },
        {
          "x": 2014,
          "series": "pdb_experimental",
          "y": 100000
        },
        {
          "x": 2017,
          "series": "pdb_experimental",
          "y": 136000
        },
        {
          "x": 2020,
          "series": "pdb_experimental",
          "y": 177000
        },
        {
          "x": 2021,
          "series": "pdb_experimental",
          "y": 194000
        },
        {
          "x": 2021,
          "series": "alphafold_predicted",
          "y": 365000
        },
        {
          "x": 2022,
          "series": "pdb_experimental",
          "y": 215000
        },
        {
          "x": 2022,
          "series": "alphafold_predicted",
          "y": 214000000
        },
        {
          "x": 2023,
          "series": "pdb_experimental",
          "y": 230000
        },
        {
          "x": 2023,
          "series": "alphafold_predicted",
          "y": 214000000
        },
        {
          "x": 2024,
          "series": "pdb_experimental",
          "y": 239000
        },
        {
          "x": 2024,
          "series": "alphafold_predicted",
          "y": 214000000
        },
        {
          "x": 2025,
          "series": "pdb_experimental",
          "y": 259000
        },
        {
          "x": 2025,
          "series": "alphafold_predicted",
          "y": 214000000
        },
        {
          "x": 2026,
          "series": "pdb_experimental",
          "y": 266000
        },
        {
          "x": 2026,
          "series": "alphafold_predicted",
          "y": 214000000
        }
      ],
      "sources": [
        {
          "label": "RCSB Protein Data Bank — Overall Growth of Released Structures",
          "url": "https://www.rcsb.org/stats/growth/growth-released-structures",
          "accessed": "2026-09-15",
          "kind": "official_database",
          "quote": "PDB statistics: overall growth of released structures per year"
        },
        {
          "label": "AlphaFold Protein Structure Database in 2024 (Nucleic Acids Res.)",
          "url": "https://doi.org/10.1093/nar/gkad1011",
          "accessed": "2026-09-15",
          "kind": "peer_reviewed_paper",
          "quote": "amassing over 214 million predicted protein structures, expanding from the initial 300k structures released in 2021"
        }
      ],
      "caveats": [
        "O PDB contabiliza deposições totais, contendo redundâncias homólogas e complexos com ligandos alternativos; sequências únicas a 50% de identidade somam 55.718 aglomerados em 2026.",
        "O AlphaFold DB compreende modelos computacionais monoméricos estáticos; domínios intrinsecamente desordenados (cerca de um terço dos resíduos) exibem pontuações pLDDT inferiores a 50.",
        "A transição de 365.000 para 214 milhões de predições ocorreu num único escalonamento em julho de 2022, mantendo-se o repositório estável nos anos seguintes."
      ]
    },
    {
      "id": "S2_astronomy_data_volume",
      "domain": "astronomy",
      "status": "ok",
      "title_pt": "Taxa de aquisição de dados brutos e triagem automatizada",
      "title_en": "Raw data acquisition rates and automated alert triage",
      "measure": "taxa de dados brutos por noite de observação",
      "unit": "TB/noite",
      "scale_hint": "log",
      "value_type": "measured",
      "data": [
        {
          "survey": "SDSS",
          "raw_data_tb_per_night": 0.2,
          "alerts_per_night": 0,
          "automated_triage_pct": 0.0
        },
        {
          "survey": "JWST",
          "raw_data_tb_per_night": 0.055,
          "alerts_per_night": 0,
          "automated_triage_pct": 0.0
        },
        {
          "survey": "Rubin_LSST",
          "raw_data_tb_per_night": 15.0,
          "alerts_per_night": 10000000,
          "automated_triage_pct": 99.999
        }
      ],
      "sources": [
        {
          "label": "Vera C. Rubin Observatory — Data Management Architecture",
          "url": "https://www.lsst.org/scientists/keynumbers",
          "accessed": "2026-09-15",
          "kind": "official_technical_documentation",
          "quote": "produces around 10 to 20 TB per night of raw data, generating up to 10 million transient alerts per night"
        },
        {
          "label": "Space Telescope Science Institute — JWST Operations Architecture",
          "url": "https://jwst-docs.stsci.edu/jwst-science-execution/jwst-data-volume",
          "accessed": "2026-09-15",
          "kind": "official_technical_documentation",
          "quote": "Average playback of 54 GB/day (science data) and 1 GB/day (engineering data)"
        },
        {
          "label": "Sloan Digital Sky Survey — Technical Summary (York et al.)",
          "url": "https://www.sdss.org",
          "accessed": "2026-09-15",
          "kind": "peer_reviewed_paper",
          "quote": "Storing roughly 200 GB per night, SDSS has built up more than 140 terabytes of data"
        }
      ],
      "caveats": [
        "O volume do JWST reflete restrições de comunicação por banda Ka com a Deep Space Network, totalizando ~55 GB/dia (~0,055 TB/dia) de dados brutos consolidados.",
        "O débito do Observatório Rubin corresponde exclusivamente a imagens brutas captadas pela câmara de 3,2 gigapixels (10 a 20 TB/noite); o catálogo processado decenal excederá 500 PB.",
        "A totalidade dos alertas do Rubin é avaliada por corretores comunitários com classificadores de machine learning em menos de 60 segundos; a inspeção humana visual destina-se apenas a alvos raros de oportunidade (<0,001%)."
      ]
    },
    {
      "id": "S3_drug_discovery_timelines",
      "domain": "medicine",
      "status": "ok",
      "title_pt": "Duração das etapas de descoberta de fármacos (referência vs. caso com IA)",
      "title_en": "Drug discovery phase timelines (industry benchmark vs. AI-driven case)",
      "measure": "duração temporal acumulada por etapa",
      "unit": "meses",
      "scale_hint": "linear",
      "value_type": "measured",
      "data": [
        {
          "phase": "target_discovery",
          "pipeline": "traditional_industry_average",
          "duration_months": 18
        },
        {
          "phase": "hit_to_lead",
          "pipeline": "traditional_industry_average",
          "duration_months": 15
        },
        {
          "phase": "lead_optimization",
          "pipeline": "traditional_industry_average",
          "duration_months": 24
        },
        {
          "phase": "preclinical_toxicology",
          "pipeline": "traditional_industry_average",
          "duration_months": 15
        },
        {
          "phase": "target_to_ind_candidate",
          "pipeline": "insilico_ism001_055",
          "duration_months": 18
        },
        {
          "phase": "phase_1_clinical",
          "pipeline": "insilico_ism001_055",
          "duration_months": 12
        }
      ],
      "sources": [
        {
          "label": "Nature Biotechnology — Small-molecule inhibitor of TNIK discovered by AI (Ren et al.)",
          "url": "https://doi.org/10.1038/s41587-024-02143-0",
          "accessed": "2026-09-15",
          "kind": "peer_reviewed_paper",
          "quote": "A small-molecule inhibitor of TNIK discovered by generative AI for idiopathic pulmonary fibrosis... preclinical development completed in approximately 18 months"
        },
        {
          "label": "Nature Reviews Drug Discovery — How to improve R&D productivity (Paul et al.)",
          "url": "https://doi.org/10.1038/nrd3078",
          "accessed": "2026-09-15",
          "kind": "peer_reviewed_paper",
          "quote": "historical average duration from target identification to candidate nomination ranges between 4.5 and 6 years"
        }
      ],
      "caveats": [
        "A literatura carece de ensaios controlados e randomizados comparando pipelines industriais idênticos em paralelo; os dados de IA espelham programas selecionados sujeitos a viés de publicação.",
        "O caso auditado ISM001-055 (Insilico Medicine) atingiu a nomeação de candidato pré-clínico (PCC) em 18 meses, mas a progressão clínica pelas Fases I e IIa dependeu de tempos biológicos incompressíveis.",
        "Fases clínicas humanas dependem do recrutamento de doentes e da farmacovigilância, aspetos não encurtados por algoritmos computacionais."
      ]
    },
    {
      "id": "S4_materials_crystalline_structures",
      "domain": "chemistry",
      "status": "ok",
      "title_pt": "Materiais cristalinos inorgânicos termodinamicamente estáveis conhecidos",
      "title_en": "Known stable crystalline inorganic materials",
      "measure": "contagem total de estruturas estáveis ou verificadas",
      "unit": "estruturas",
      "scale_hint": "log",
      "value_type": "measured",
      "data": [
        {
          "category": "pre_gnome_convex_hull_icsd_mp",
          "count": 48000
        },
        {
          "category": "gnome_total_predictions",
          "count": 2200000
        },
        {
          "category": "gnome_convex_hull_stable",
          "count": 381000
        },
        {
          "category": "a_lab_autonomous_synthesis_targets",
          "count": 58
        },
        {
          "category": "a_lab_autonomous_synthesis_confirmed",
          "count": 41
        },
        {
          "category": "external_literature_independent_synthesis",
          "count": 736
        }
      ],
      "sources": [
        {
          "label": "Nature — Scaling deep learning for materials discovery (Merchant et al.)",
          "url": "https://doi.org/10.1038/s41586-023-06735-9",
          "accessed": "2026-09-15",
          "kind": "peer_reviewed_paper",
          "quote": "expanding the number of known stable materials by an order of magnitude to 2.2 million structures, with 381,000 lying on the convex hull"
        },
        {
          "label": "Nature — An autonomous laboratory for the accelerated synthesis of novel materials (Szymanski et al.)",
          "url": "https://doi.org/10.1038/s41586-023-06734-w",
          "accessed": "2026-09-15",
          "kind": "peer_reviewed_paper",
          "quote": "The A-Lab synthesized 41 novel compounds out of 58 targets over 17 days of continuous autonomous operation"
        }
      ],
      "caveats": [
        "A estabilidade no GNoME assenta em cálculos DFT a 0 Kelvin com base na proximidade da envolvente convexa energética teórica (convex hull).",
        "Publicações críticas independentes (Cheetham, Seshadri et al.) sublinharam que muitas estruturas constituem quebras artificiais de simetria ou soluções sólidas desordenadas modeladas como fases ordenadas.",
        "A caracterização por difração de raios-X em pó (PXRD) no laboratório robótico A-Lab foi contestada quanto à pureza de fase e à presença de reagentes residuais não consumidos."
      ]
    },
    {
      "id": "S5_quantum_error_suppression",
      "domain": "quantum",
      "status": "ok",
      "title_pt": "Supressão de erro lógico por distância no processador Willow",
      "title_en": "Logical error suppression per code distance on the Willow processor",
      "measure": "taxa de erro lógico por ciclo de correção",
      "unit": "taxa_por_ciclo",
      "scale_hint": "log",
      "value_type": "measured",
      "data": [
        {
          "code_distance": 3,
          "logical_error_per_cycle": 0.0065
        },
        {
          "code_distance": 5,
          "logical_error_per_cycle": 0.0031
        },
        {
          "code_distance": 7,
          "logical_error_per_cycle": 0.00143
        }
      ],
      "sources": [
        {
          "label": "Nature — Quantum error correction below the surface code threshold (Google Quantum AI)",
          "url": "https://doi.org/10.1038/s41586-024-08169-3",
          "accessed": "2026-09-15",
          "kind": "peer_reviewed_paper",
          "quote": "Willow's 101-qubit, distance-7 logical qubit landing at a 0.143% ± 0.003% error rate per cycle... measured suppression factor Lambda = 2.14 ± 0.02"
        }
      ],
      "caveats": [
        "Os dados referem-se à preservação de memória quântica num único qubit lógico sob códigos de superfície planares.",
        "As taxas obtidas utilizam descodificação Minimum Weight Perfect Matching (MWPM) calibrada com ruído de circuito.",
        "A supressão exponencial abaixo do limiar (fator Lambda = 2,14) não equivale a computação universal tolerante a falhas, a qual requer portas lógicas de 2 qubits e destilação de estados mágicos."
      ]
    },
    {
      "id": "S6_ai_for_chip_design",
      "domain": "ai_hardware",
      "status": "ok",
      "title_pt": "Tempo de projeto físico e qualidade de posicionamento macroespacial",
      "title_en": "Physical design cycle time and macro floorplanning quality",
      "measure": "tempo total de execução e métricas de colocação física",
      "unit": "horas",
      "scale_hint": "linear",
      "value_type": "measured",
      "data": [
        {
          "method": "human_expert_baseline",
          "execution_time_hours": 320.0,
          "wirelength_normalized": 1.0,
          "timing_met": true
        },
        {
          "method": "alphachip_rl_agent",
          "execution_time_hours": 6.0,
          "wirelength_normalized": 0.96,
          "timing_met": true
        }
      ],
      "sources": [
        {
          "label": "Nature — A graph placement methodology for fast chip design (Mirhoseini et al.)",
          "url": "https://doi.org/10.1038/s41586-021-03544-w",
          "accessed": "2026-09-15",
          "kind": "peer_reviewed_paper",
          "quote": "generates floorplans in under 6 hours, compared to several weeks of intense iterative effort by human engineering teams"
        }
      ],
      "caveats": [
        "Estudos académicos independentes (UCSD / Andrew Kahng) sustentaram que métodos clássicos de Simulated Annealing produzem resultados comparáveis se dotados de orçamentos computacionais análogos.",
        "O ganho temporal restringe-se ao posicionamento macroespacial (macro floorplanning), não cobrindo a totalidade do fluxo EDA (síntese lógica, roteamento detalhado e sign-off).",
        "A Google demonstrou a aplicação prática do AlphaChip em múltiplas gerações comerciais de silício (TPUs v4, v5 e v6)."
      ]
    },
    {
      "id": "S7_cross_domain_acceleration_factors",
      "domain": "cross_domain",
      "status": "ok",
      "title_pt": "Fatores de aceleração computacional por subdomínio específico",
      "title_en": "Domain-specific computational acceleration factors",
      "measure": "fator escalar de aceleração relativa com denominador explícito",
      "unit": "fator_x",
      "scale_hint": "log",
      "value_type": "measured",
      "data": [
        {
          "domain": "biology",
          "subtask": "structural_inference_per_protein",
          "speedup_factor": 50000.0,
          "baseline": "wet_lab_crystallography_hours",
          "ai_method": "alphafold_inference_seconds"
        },
        {
          "domain": "astronomy",
          "subtask": "transient_alert_triage",
          "speedup_factor": 1000.0,
          "baseline": "human_expert_manual_inspection_minutes",
          "ai_method": "ml_broker_automated_triage_seconds"
        },
        {
          "domain": "chemistry",
          "subtask": "crystal_relaxation_dft_surrogate",
          "speedup_factor": 10000.0,
          "baseline": "vasp_dft_relaxation_cpu_hours",
          "ai_method": "gnome_gnn_relaxation_gpu_seconds"
        },
        {
          "domain": "ai_hardware",
          "subtask": "macro_floorplanning_design_time",
          "speedup_factor": 53.3,
          "baseline": "human_engineer_weeks_to_hours",
          "ai_method": "alphachip_placement_hours"
        }
      ],
      "sources": [
        {
          "label": "Nature Biotechnology & Nature — Compilação Integrada de Métricas de Aceleração",
          "url": "https://doi.org/10.1038/s41586-021-03544-w",
          "accessed": "2026-09-15",
          "kind": "peer_reviewed_paper",
          "quote": "speedup factors require explicit task-bounded operational denominators"
        }
      ],
      "caveats": [
        "A medicina clínica e o desenvolvimento de fármacos não possuem um escalar uniforme defensável (`not_found`), dada a ausência de estudos com grupos de controlo e a rigidez das fases clínicas humanas.",
        "A computação quântica opera sob a métrica de supressão de probabilidade de erro por ciclo (Lambda = 2,14), não configurando uma taxa de aceleração temporal.",
        "Os denominadores comparam etapas computacionais com processos físicos experimentais; o rendimento de hipóteses não substitui a necessidade final de validação empírica."
      ]
    },
    {
      "id": "S7_speedup_medicine",
      "domain": "medicine",
      "status": "not_found",
      "searched": [
        "Tufts CSDD clinical trial phase duration AI cohort 2025",
        "Nature Reviews Drug Discovery matched control cohort AI pipeline speedup",
        "FDA CDER clinical trial timeline AI vs conventional matched pair"
      ],
      "why_not_found": "A literatura científica não contém estudos prospectivos com coortes de controlo pareadas para pipelines completos; as janelas de ensaios clínicos em humanos e de farmacovigilância permanecem biologicamente incompressíveis (12 a 24 meses por fase)."
    }
  ],
  "source_document": "research/science_metrics_report.md"
}