Cover Photo: Mineral Collection 2015.

I dedicate this post to my dear friend and colleague Klaus,
who recently won a great battle
and to Luiz Alberto Dias Menezes Filho In Memoriam.

By Maurício Pinheiro

Quando criança, eu costumava brincar no escritório de meu pai e sempre ficava hipnotizado por sua impressionante coleção de minerais, que incluía uma variedade de pedras preciosas, metais naturais, ferramentas do Neolítico brasileiro e fósseis. Os bens valiosos da coleção eram turmalinas, águas-marinhas e berilos provenientes da região rica em pegmatitos do Nordeste de Minas Gerais. Meu avô nasceu na mesma região (Itambacuri, MG), conhecida por suas abundantes minas de turmalina. Ele era um médico que e começou sua coleção recebendo-as como presentes de pacientes agradecidos. Mais tarde, meu pai, que se tornou engenheiro nuclear, continuou a desenvolver o legado da família adicionando mais minerais exóticos à coleção. Após obter meu Ph.D. em física, retornei às minhas raízes em minerais e pedras preciosas aplicando várias técnicas ópticas para estudá-los, com a ajuda de meu um colega Klaus na UFMG. Também continuei a tradição familiar de contribuir para a coleção adicionando pedras preciosas lapidadas.


Para quem tem mais interesse no que faço, perguntei ao ChatGPT tem que explicar…

As cores das pedras preciosas podem ser causadas por uma variedade de fatores, incluindo a presença de certos elementos, defeitos estruturais e a rede cristalina do mineral. Por exemplo, o cromo dá a cor verde às esmeraldas, enquanto o ferro é responsável pelos tons amarelos e marrons do citrino e do topázio. Além disso, algumas pedras preciosas, como a opala, exibem iridescência devido à presença de microestruturas dentro do mineral. Para estudar as causas da cor nas pedras preciosas, várias técnicas físicas são empregadas. Uma das técnicas mais comuns é a espectroscopia UV-Vis, que envolve a passagem de um feixe de luz através de uma amostra e a medição da quantidade de luz absorvida em diferentes comprimentos de onda. Isso pode fornecer informações sobre as transições eletrônicas que dão origem a uma determinada cor. Outra técnica, a espectroscopia de ressonância paramagnética eletrônica (EPR) é uma técnica poderosa para estudar os efeitos de impurezas e defeitos estruturais nas propriedades eletrônicas de pedras preciosas. Ao detectar a presença de elétrons desemparelhados na amostra, o EPR pode fornecer informações valiosas sobre os mecanismos causadores de cores em uma ampla gama de pedras preciosas. No geral, o estudo da coloração de pedras preciosas é um campo complexo e fascinante que requer uma abordagem multidisciplinar, incorporando conhecimentos em ciência dos materiais, química, física e mineralogia. O desenvolvimento de novas técnicas analíticas e o refinamento dos métodos existentes estão ajudando a esclarecer os mistérios desses belos e preciosos minerais.

Brazilianite structure adapted from (Pinheiro et al. 2021).

Tenho o prazer de informar que nossos esforços foram bem-sucedidos e, após quase 20 anos neste campo, Klaus e eu temos muitas histórias para compartilhar. Também fizemos muitos amigos, principalmente geólogos, gemólogos e negociantes de pedras preciosas de todo o mundo. Por meio dessa colaboração, obtivemos algumas gemas raras para estudo, e uma delas, cujo nome ironicamente é brasilianita, do distrito pegmatítico de Conselheiro Pena no nordeste de Minas Gerais foi estudada por nós. Escrevemos um belo artigo sobre ela (veja a referência no final).

Então pedi ao ChatGPT para criar uma entrada de coleção para as amostras que estudamos e aqui está o que ele entregou:

GemstoneNumberCuttreatmentColorOccurrence
Brazilianite371Emerald cut200kGy
gamma-irradiation
YellowConselheiro Pena
pegmatite district,
northeastern
Minas Gerais
Natural and Gamma-irradiated Brazilianite from the Conselheiro Pena pegmatite district or from the Araçuaí pegmatite district in north-eastern Minas Gerais.

Dados Técnicos

MineralBrazilianite
Chemical formulaNaAl3(PO4)2(OH)4
ColorGreenish yellow, yellow, brownish yellow
Crystal systemMonoclinic
Crystal habitPrismatic crystals with a wedge-shaped termination
TwinningCommon on {100}
CleavagePerfect on {100} and {010}
FractureUneven to conchoidal
Mohs hardness5.5 – 6
Specific gravity2.98 – 3.08
Refractive index1.598 – 1.616
Birefringence0.018
PleochroismStrong, yellow-green to yellow-brown
LusterVitreous
StreakWhite
Density2.98 – 3.08 g/cm³
TransparencyTransparent to translucent
OccurrencesBrazil, USA, Russia, Canada, Namibia
Crystal lattice
Lattice parametersa = 6.919 Å, b = 11.800 Å, c = 6.631 Å, β = 99.53°
Space groupP21/n
Unit cell volume534.65 ų

Recentemente, durante uma caminhada no campo em nossa fazenda com meu pai, meu filho, meu irmão e seus filhos, nos deparamos com uma infinidade de minerais, incluindo quartzo, mica, feldspato e turmalinas, como esperado para pegmatitos.

Quando o sol começou a se pôr, a estrada rural brilhou com um brilho mágico, refletindo nos cristais de mica. Ainda bem que nasci em Minas Gerais!

Referências:

Pinheiro, M. V. B., Scholz, R., Karfunkel, J., Chaves, M. L. S. C., & Krambrock, K. (2021). On the yellow color of gamma-irradiated brazilianite from Minas Gerais (Brazil). Physics and Chemistry of Minerals, 48(9), 33.

More about Gems and Minerals of Minas Gerais, Brazil:
http://recursomineralmg.codemge.com.br/wp-content/uploads/2018/10/GemasMineraisColecao.pdf


Similar Posts

  • | | | | |

    Autoaperfeiçoamento Recursivo: Quando a IA Passa a Construir a Próxima IA

    O autoaperfeiçoamento recursivo descreve o ciclo de retroalimentação no qual sistemas de IA ajudam a construir sistemas de IA melhores, que por sua vez podem acelerar a criação de sucessores ainda mais capazes. Este artigo explica como esse processo já está emergindo por meio de agentes de programação, pipelines de pesquisa automatizada, otimização de prompts, descoberta algorítmica e engenharia assistida por IA.
    Os exemplos incluem o Claude Code ajudando a Anthropic a escrever código interno, o AlphaEvolve da Google DeepMind descobrindo algoritmos aprimorados, a Darwin Gödel Machine da Sakana AI reescrevendo partes de seu próprio código para melhorar o desempenho e o The AI Scientist automatizando partes do processo de pesquisa.
    O artigo argumenta que, embora a IA plenamente autônoma e autoaperfeiçoável ainda não tenha chegado, os primeiros ciclos já são visíveis — e podem remodelar a pesquisa em IA, a descoberta científica, o desenvolvimento de software e o futuro do progresso tecnológico.

  • | | |

    Logical Fallacies: What They Are, How to Avoid Them, and How to Use AI to Identify Them

    In today’s information-overloaded world, critical thinking is crucial, especially when it comes to spotting “logical fallacies.” These reasoning errors, like “ad hominem” attacks or the “false dilemma,” can derail discussions. In this article, we’ll explore common fallacies, using a debate between a Luddite and an AI advocate as an example. Plus, we’ll show how AI can detect fallacies in any text, ensuring clearer analysis of even the trickiest rhetoric.

  • | | | | |

    A Regra dos 37%

    A Regra dos 37% revela a matemática por trás de escolhas humanas, Tinder, excesso de opções, ansiedade algorítmica e teoria da decisão. Descubra como a famosa fórmula do Optimal Stopping Problem explica relacionamentos, inteligência artificial, apps de namoro e por que nunca conseguimos parar de procurar.

  • | | | |

    Elevando seu Negócio ao Próximo Nível: Aproveitando os Benefícios da IA

    Este artigo explora o impacto da inteligência artificial (IA) no mercado financeiro e destaca as diversas ferramentas de IA disponíveis para auxiliar nas tomadas de decisão inteligentes nesse setor. Desde a automação de tarefas rotineiras até a previsão de tendências e riscos, a IA está revolucionando a forma como as instituições financeiras operam. Serão analisadas as principais ferramentas de IA utilizadas no mercado financeiro, incluindo algoritmos de aprendizado de máquina, processamento de linguagem natural e análise de sentimentos, além de discutir os benefícios e desafios associados ao uso dessas ferramentas. Por fim, serão examinadas as oportunidades futuras e as implicações éticas decorrentes da crescente adoção da IA no mercado financeiro.

  • | | | |

    The Illusion of Causality: AI, Abortion, Climate — and the Seduction of Patterns

    Artificial intelligence has dramatically expanded our ability to detect patterns in complex datasets, revealing correlations that were previously invisible to human analysis. Yet this growing analytical power raises a fundamental epistemological challenge: the distinction between correlation and causation. This article explores that tension through two emblematic cases—the abortion–crime hypothesis popularized by Freakonomics, and the long-term relationship between atmospheric CO₂ and global temperature derived from paleoclimate data.

    In the first case, time-lagged demographic correlations suggest that legalized abortion may have contributed to the decline in crime observed in the United States during the 1990s. In the second, ice core records show a strong correlation between CO₂ and temperature, while also revealing temporal lags and feedback loops that complicate causal interpretation. Together, these examples illustrate how correlations can both illuminate and obscure underlying mechanisms, especially in systems characterized by delayed effects, multiple interacting variables, and nonlinear dynamics.

    By examining these cases through the lens of modern data science and artificial intelligence, the article argues that while AI excels at uncovering structured relationships in data, it does not resolve the deeper problem of causality. Instead, it amplifies it. In complex systems, causality is often distributed, bidirectional, and context-dependent, resisting simple, linear explanations. The central claim is that correlation, even when robust and persistent, is not sufficient to establish causation—yet it may still contain fragments of causal truth embedded within broader systemic interactions.

    Ultimately, the article positions AI not as a solution to the problem of explanation, but as a catalyst that forces a more careful and philosophically grounded approach to interpreting data in the age of intelligent machines.

  • | | | | |

    Novela, Panelas e Ignorância Artificial

    A inteligência artificial está em toda parte — ou, pelo menos, o rótulo está. Uma novela entra em pânico diante de uma panela “inteligente”, enquanto os algoritmos realmente poderosos decidem silenciosamente o que assistimos, lemos, clicamos e até no que acreditamos. O verdadeiro perigo talvez não seja o fato de as máquinas estarem se tornando inteligentes, mas o de estarmos cada vez menos capazes de distinguir automação, hype e inteligência de verdade.